UniRef50タンパク質配列データセットはUniProt知識ベースからのものであり、関連する論文の結果は「AMix-1: テスト時間スケーラブルなタンパク質基盤モデルへの道”。

このデータセットは、UniProtKBから派生し、UniParc配列から反復クラスタリング（UniProtKB+UniParc → UniRef100 → UniRef90 → UniRef50）によってフィルタリングされたもので、41,546,293個のトレーニング配列と82,929個の検証配列が含まれています。この反復プロセスにより、UniRef50配列の高品質で冗長性のない多様な表現が保証され、タンパク質言語モデルのためのタンパク質配列空間を広範囲にカバーします。