测试数据集

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

• 由于数据过大，采用了分卷压缩.

• Download: part 1, part 2, part 3, part 4, part 5, part 6, part 7, part 8, part 9

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

COVID-19

• 新冠病毒基因序列，总共156条，相似度较高，长度大于29000bp

• http://lab.malab.cn/~zsl/Periodical_results/data/2019nCoVR_20200301.zip

• 新冠病毒基因序列，总共1020条，长度层次不齐，未经过有效挑选

• http://lab.malab.cn/~cjt/MSA/data/SARS-CoV-2_20200417.7z

• 新冠病毒基因序列，总共13w条，相似度较高，长度大于29000bp (序列已对齐，对比前请去除’-’)

• http://lab.malab.cn/~cjt/MSA/data/msa_1012.tar-2.xz

• 新冠病毒基因序列，总共1M条，相似度较高，长度大于29000bp (序列已对齐，对比前请去除’-’)

• http://lab.malab.cn/~tfr/HAlign3_testdata/sars_cov_2_1Mseq.tar.xz

• 新冠病毒基因序列，总共24310条，相似度较高，长度大于29000bp

• http://lab.malab.cn/~cjt/MSA/data/SARS-CoV-2.7z

• 新冠病毒基因序列，总共15900933条，长度层次不齐，长度大于29000bp (序列已对齐，对比前请去除’-’)

• http://lab.malab.cn/soft/halign/data/hCoV-19_msa_20230822.tar.xz

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

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

• Global Microbial Gene Catalog 数据集，fasta 格式。

• 原始数据下载

• 按照长度进行分组存储

• Ref: Coelho, L.P., et al. Towards the biogeography of prokaryotic genes. Nature 601, 252–256 (2022).

HIV 数据集

• 截至 2021 年的 HIV 数据集，fasta 格式。

• 原始数据下载

• 按照长度进行分组存储

• Ref: https://www.hiv.lanl.gov/ 参考如何引用 HIV 数据集

DNA/RNA模拟数据集

Hierarchical tree simulated datasets

• Ref: HAlign 3: Fast Multiple Alignment of Ultra-Large Numbers of Similar DNA/RNA Sequences.

• Download: sars_cov_2_like_diff_similarity.tar.xz, sars_cov_2_like_diff_treelength.tar.xz, mt_like_diff_similarity.tar.xz, mt_like_diff_treelength.tar.xz

• 使用IQTree和INDELible生成方法

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

• 含二级结构，NEXUS格式，相似度很高

• https://kim.bio.upenn.edu/software/csd.shtml

• 下载 (zipped file): RNA-255 RNA-511 RNA-1023 RNA-2047 RNA-4095 RNA-8191

模拟noncoding数据

• 相似度较低，有较多类型的数据，fasta格式

• http://bioinfolab.unl.edu/~cstrope/iSG/benchmark/index.html

蛋白质数据集

MUSCLE 数据集

• 相似度较低，有较多类型的数据，fasta格式，以蛋白质数据集为主

• http://www.drive5.com/bench/

• https://github.com/rcedgar/balifam

• Q Score 程序

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