(1)正例样本获取：UniProt蛋白质序列数据库,该数据库中的蛋白序列冗余性低、蛋白质功能解释完备，并且该网站是自由开放的，研究者可免费下载所需的蛋白质序列。本研究中所使用的原始正例样本（共15765条数据），即噬菌体病毒蛋白条数，就在该数据库中下载得到。

(2)反例样本获取:(原理)获取噬菌体病毒蛋白（正例）样本集后，在所有PFAM家族中将正例所在的PFAM家族排除，剩余的即为非噬菌体病毒蛋白所在家族，最后抽取剩余各个家族中最长的一条蛋白序列组成反例样本集。