MSA

外观

数据集目录 ​

多基因组比对与泛基因组数据集 ​

MGA-Dataset ​

  • MGA-Dataset 是课题组持续维护的多基因组比对（MGA）与泛基因组（Pangenome）数据资源导航库，汇总数据集说明、官方来源和下载入口，不直接存放数据文件。
  • 该资源按真实数据与模拟数据分类，当前覆盖人类、植物、真菌、跨类群基因组集合以及模拟基准集，并标注 T2T、Chromosome、Scaffold、Contig 等组装级别，便于根据研究对象和评测需求选择数据。

DNA/RNA真实数据集 ​

Ancient human partial mitochondrial DNA ​

  • 古代人类线粒体高可变区I和高可变区II的基因序列，长度350bp左右，293条高可变区I，100条高可变区II，数据集混在一起，比对时需要分开使用
  • Ref: Ancient DNA Reveals Key Stages in the Formation of Central European Mitochondrial Genetic Diversity. DOI: 10.1126/science.1241844
  • 下载 (zipped file): mt.zip

mitochondrial genomes ​

  • 人类线粒体基因组，672条高度相似的DNA序列，最大长度16579bp
  • Ref: Tanaka M., et al. (2004) Mitochondrial genome variation in eastern Asia and the peopling of Japan. Genome Res,14(10a), 1832-1850.
  • Download: 1x (219KB) 20x (4.27MB) 50x (10.666MB) 100x (21.325MB)

Human Genome ​

人类基因组基因 ​

  • 含有21个人的完整基因,因数据量过大，仅提供基因组的下载链接。
  • 注意：CHM13_T2T_v1.1 已经更新为 CHM13_T2T_v2.0，请使用 这个链接 获取。

人类Y染色体基因组 ​

  • 共44条，均由多个片段拼接而成（参考序列见 CHM13_T2T_\v2.0）
  • Download: Link
  • Ref1: Hallast, Pille, et al. "Assembly of 43 human Y chromosomes reveals extensive complexity and variation." Nature (2023): 1-10.
  • Ref2: Rhie, Arang, et al. "The complete sequence of a human Y chromosome." Nature (2023): 1-11.

3条人类1号染色体 ​

16S rRNA ​

  • 16S rRNA基因是细菌上编码rRNA相对应的DNA序列，相似度不高，最大长度1586bp
  • Ref: DeSantis, T. Z., et al.(2006) NAST: a multiple sequence alignment server for comparative analysis of 16S rRNA genes. Nucleic Acids Res, 34, W394-399.
  • Download: small (21.864MB) big (197.224MB)

Mycobacterium 23S rRNA sequences ​

  • 641 Mycobacterium 23S rRNA sequences with lengths ranging from 1909 to 3485 bp were downloaded as another dataset from the SILVA rRNA database of Bacteria, Archaea and Eukarya.
  • Download: 23s_rRNA.tar.xz

Neisseria-meningitidis ​

  • 5 条序列，长度为 2,190,088，fasta 格式
  • Download: link

Streptococcus-pneumoniae ​

  • 11 条序列，长度 2,138,975~2,139,054，fasta 格式
  • Download: link

Escherichia-coil ​

  • 30 条序列，长度 5,060,511~5,060,749，fasta 格式。由于数据过大，采用了分卷压缩
  • Download: part 1, part 2

GMGC 数据集 ​

HIV 数据集 ​

病毒基因组数据集 ​

COVID-19 ​

猴痘数据集 ​

  • 完整数据集（即完整测序的数据集 MPoxBR.complete.fasta.xz）相似度较高，有 1739 条序列，没有对齐，fasta 格式的 DNA 数据集，长度在 183230~210919 之间，平均长度 197135
  • 部分数据集（即部分测序的数据集 PoxBR.incomplete.fasta.xz）相似度较低，有 4631 条序列，没有对齐，fasta 格式的 DNA 数据集，长度在 17~228869 之间，平均长度 177921
  • 最后更新日期：2023-08-19
  • Dataset Mainpage
  • Dataset Link

IAV数据集 ​

  • 该数据集包含甲型流感病毒多个基因片段的序列数据，覆盖HA-H1、HA-H3、HA-H5、HA-H7，NA-N1、NA-N2、NA-N9，以及MP、NP、NS、PA、PB1、PB2等片段。IAV基因组由8个负链单股RNA片段组成，不同毒株之间具有较高的遗传多样性，并可通过HA和NA的组合划分为不同亚型。本数据集为每个亚型或基因片段提供对应的参考序列，并进一步构建不同长度的子数据集，适合用于病毒序列分类、亚型识别、片段识别、序列比对和模型输入长度分析等任务。
  • Download: iav_data.7z

Dengue数据集 ​

  • Dengue病毒数据集包含登革病毒基因组序列和参考序列，属于正链单股RNA病毒，存在1–4型血清型，序列间差异较明显，完整基因组长度约10.6–10.7kb，该数据集未经过去重和筛选。
  • Download: dengue.7z

Ebola数据集 ​

  • Ebola病毒数据集包含埃博拉病毒基因组序列和参考序列，属于负链单股RNA病毒，不同种/株之间存在一定变异，完整基因组长度约18.9–19.0kb，该数据集未经过去重和筛选。
  • Download: ebola.7z

HBV数据集 ​

  • HBV病毒数据集包含乙型肝炎病毒基因组序列和参考序列，属于部分双链环状DNA病毒，基因组较短但不同基因型之间存在差异，完整基因组长度约3.2kb，该数据集未经过去重和筛选。
  • Download: hbv.7z

HCV数据集 ​

  • HCV病毒数据集包含丙型肝炎病毒基因组序列和参考序列，属于正链单股RNA病毒，基因型多、变异程度较高，完整基因组长度约9.4–9.7kb，该数据集未经过去重和筛选。
  • Download: hcv.7z

HIV-1数据集 ​

  • HIV-1病毒数据集包含人类免疫缺陷病毒1型基因组序列和参考序列，属于逆转录病毒，序列变异性高，完整RNA基因组长度约9.2–9.8kb，该数据集未经过去重和筛选。
  • Download: hiv-1.7z

Measles数据集 ​

  • Measles病毒数据集包含麻疹病毒基因组序列和参考序列，属于负链单股RNA病毒，基因组长度较保守，完整基因组通常为15894bp，该数据集未经过去重和筛选。
  • Download: measles.7z

West Nile数据集 ​

  • West Nile病毒数据集包含西尼罗病毒基因组序列和参考序列，属于正链单股RNA黄病毒，常用于虫媒病毒分类或进化分析，完整基因组长度约11.0kb，该数据集未经过去重和筛选。
  • Download: measles.7z

Zika数据集 ​

  • Zika病毒数据集包含寨卡病毒基因组序列和参考序列，属于正链单股RNA黄病毒，与登革病毒和西尼罗病毒同属黄病毒相关类群，完整基因组长度约 10.8 kb。
  • Download: zika.7z

DNA/RNA模拟数据集 ​

Hierarchical tree simulated datasets ​

Star-tree simulated datasets ​

  • 14 simulated datasets, each dataset contained 1000 sequences in each dataset with different similarities (99%, 98%, 97%, 96%, 95%, 94%, 93%, 92%, 91%, 90%, 85%, 80%, 70%, and 60%).
  • Ref: HAlign 3: Fast Multiple Alignment of Ultra-Large Numbers of Similar DNA/RNA Sequences.
  • Download: star_simudata_1000seq.tar.xz

RNA模拟数据 ​

模拟noncoding数据 ​

蛋白质数据集 ​

MUSCLE 数据集 ​

extHomFam 数据集 ​

  • 相似度较低，序列长度短(<100bp)，文件内序列数量多(最多415519条)，有金标准对齐，fasta格式，蛋白质数据集
  • 金标准对比结果同样采用 Q Score 程序
  • Dataset Link

QuanTest2 数据集 ​

  • 蛋白质数据集，相似度较低
  • Ref: Sievers, F. et al. (2020) QuanTest2: benchmarking multiple sequence alignments using secondary structure prediction, Bioinformatics, 36(1), January 2020, 90–95.
  • 原版利用二级结构进行预测，下载地址
  • 利用 Q Score 和 TC Score 进行得分计算，Dataset Mainpage

Pfam(38.1) full子数据集 ​

  • 基于Pfam full alignment 构建的真实蛋白质家族子集，从多个Pfam家族中抽取部分成员形成测试数据。Pfam家族以多序列比对和profile HMM表示，full alignment包含更大范围的同源成员，适合构建真实场景下的MSA测试集。
  • 蛋白质数据集，覆盖不同家族规模、序列长度和相似度水平，可用于测试比对方法在低相似、高冗余、规模变化等条件下的表现。
  • 与BAliBASE等结构参考基准不同，该数据集强调真实家族覆盖与规模多样性，适合用于算法性能评测、参数敏感性分析以及大规模比对实验；若需参考型质量评估，可结合Pfam seed alignment或其他高可信参考集进行比较。Pfam的seed是经整理的核心对齐，full则是在profile HMM搜索基础上扩展得到的更大成员集合。
  • 下载: pfam_subset.7z

IQ-TREE3模拟数据集 ​

  • 基于IQ-TREE3的AliSim模拟器构建，通过控制序列长度、叶子节点数、进化距离和替换模型等参数，生成不同难度与不同规模的模拟多序列比对数据。
  • 数据集覆盖从低分化到高分化、从小规模到大规模、从短序列到长序列的多种场景，适合测试多序列比对算法在复杂进化条件下的准确性、稳定性与可扩展性。
  • 下载: iqtree_simulated.7z

MSA