damlab/HIV_V3_bodysite

该数据集源自Los Alamos国家实验室的HIV序列数据库，包含5,510个独特的V3序列，每个序列都标注了其相关的身体部位。数据集结构部分详细说明了数据实例的组成，包括每个V3环的蛋白质氨基酸序列，以及用于未来交叉参考的Genbank参考ID。数据集创建部分提到了数据集的下载和整理日期。使用数据的考虑部分讨论了数据集的社会影响和存在的偏见，如数据集主要包含来自北美和欧洲的B亚型序列，且对非B亚型序列的表现未进行平衡处理。

This dataset is derived from the HIV Sequence Database maintained by Los Alamos National Laboratory, containing 5,510 unique V3 sequences, each annotated with its corresponding anatomical body site. The dataset structure section details the composition of each data instance, including the protein amino acid sequence of each V3 loop and the Genbank reference IDs for subsequent cross-referencing. The dataset creation section specifies the download and curation dates of the dataset. The considerations for data utilization section discusses the social impacts and inherent biases of the dataset: specifically, the dataset predominantly features subtype B sequences from North America and Europe, with no balanced performance assessments conducted for non-subtype B sequences.

原始信息汇总

数据集概述

数据集总结

本数据集源自Los Alamos National Laboratory HIV序列（LANL）数据库，包含5,510个独特的V3序列，每个序列均标注了与之相关的身体部位。该数据集不支持特定任务或排行榜。

数据集结构

数据实例

• 列描述：每列代表HIV V3环的蛋白质氨基酸序列。
• ID字段：表示Genbank参考ID，用于未来交叉引用。
• 序列总数：共2,935个V3序列，其中91%为CCR5趋向性，23%为CXCR4趋向性。
• 数据字段：ID, 序列, 折叠, 外周T细胞, 外周单核细胞, 中枢神经系统, 肺, 母乳, 胃, 男性生殖器, 女性生殖器, 脐带, 器官。

数据创建

• 数据收集与规范化：数据集于2021年12月20日下载并整理。

使用数据集的考虑

• 社会影响：可用于研究HIV V3环如何允许研究HIV的隔室化机制。
• 偏见讨论：由于数据库的采样性质，主要由北美和欧洲的B亚型序列组成，C、A和D亚型的贡献较小。目前未采取措施平衡这些类别的性能，建议使用额外序列进行改进，以提高非B序列的表现。此外，该数据集高度偏向于外周T细胞。

附加信息

• 数据集整理者：Will Dampier
• 引用信息：待定

搜集汇总

数据集介绍

构建方式

该数据集源自洛斯阿拉莫斯国家实验室的HIV序列数据库，旨在探索HIV病毒包膜糖蛋白V3环在人体不同组织间的区室化分布机制。构建过程于2021年12月20日完成，通过系统化下载与标准化清洗，从原始数据库中筛选出5,510条独特的V3环氨基酸序列。每条序列均关联其对应的采样体部位点，并以Genbank参考ID作为唯一标识，便于未来跨数据库交叉验证。数据字段涵盖序列标识符、氨基酸序列、折叠状态以及多个体部位点标签，包括外周血T细胞、单核细胞、中枢神经系统、肺、乳腺乳汁、胃、男性生殖器、女性生殖器、脐带血和器官等，形成了多维度的组织来源标注体系。

特点

该数据集的核心特点在于其体部位点标签的多样性与细粒度，覆盖了从外周免疫细胞到特定器官的广泛组织类型，为研究HIV在宿主内的区室化传播提供了独特视角。数据集中91%的序列为CCR5嗜性，23%为CXCR4嗜性，反映了病毒共受体使用倾向的分布特征。然而，受限于原始数据库的采样偏好，数据主要来源于北美和欧洲的B亚型序列，C、A、D亚型占比较低，且外周血T细胞样本占据主导地位，导致体部位点类别间存在显著不平衡。这一偏差提示在使用时需谨慎对待非B亚型序列的分析。

使用方法

该数据集适用于HIV区室化机制的研究，用户可直接加载序列及其体部位点标签进行机器学习或统计分析。使用时需注意数据集的亚型与位点偏差，建议针对非B亚型序列进行补充采样或采用重采样技术以平衡类别分布。数据以标准表格格式提供，包含ID、序列、折叠状态和13个体部位点二值标签，可便捷地用于分类模型训练或特征关联分析。引用时需注明数据集策展人Will Dampier及待定的引用信息，并遵循MIT开源许可协议进行使用与分发。

背景与挑战

背景概述

人类免疫缺陷病毒（HIV）的V3环区域是病毒进入宿主细胞的关键结构域，其序列变异与病毒嗜性、免疫逃逸及组织特异性分布密切相关。该数据集由Will Dampier团队于2021年12月从洛斯阿拉莫斯国家实验室HIV序列数据库中精心筛选与整理而成，包含5510条独特的V3环氨基酸序列，每条序列均标注了其来源的人体组织部位，如外周血T细胞、单核细胞、中枢神经系统、肺、乳腺、胃及生殖器等。这一资源为研究HIV在不同解剖部位的区室化机制提供了宝贵的序列-组织对应关系，推动了病毒组织适应性、潜伏库形成及靶向治疗策略的探索。数据集聚焦于V3环序列与组织嗜性的关联，揭示了病毒在宿主内异质性分布的核心问题，对理解HIV的致病机制和开发组织特异性干预手段具有重要科学价值。

当前挑战

该数据集面临的首要挑战在于解决HIV组织区室化的领域难题，即如何通过V3环序列变异精准预测病毒在不同人体组织中的分布与适应性，当前数据集主要依赖序列-组织关联，但缺乏对病毒进化动态和宿主免疫压力的系统整合。其次，构建过程中遭遇显著的数据偏差问题：数据集以B亚型序列为主（主要来自北美和欧洲），而C、A、D亚型贡献极少，导致模型对非B亚型序列的泛化能力不足；同时，样本高度集中于外周血T细胞，其他组织（如中枢神经系统、生殖器）的序列数量稀少，易引发类别不平衡。此外，原始数据库的采样性质使得序列来源的地理和人群代表性有限，需后续补充更多样化的序列以提升数据集的均衡性与鲁棒性。

常用场景

经典使用场景

HIV病毒包膜糖蛋白gp120上的V3环是病毒入侵宿主细胞的关键结构域，其序列变异与病毒趋向性、免疫逃逸及组织嗜性密切相关。damlab/HIV_V3_bodysite数据集整合了来自洛斯阿拉莫斯国家实验室HIV序列数据库中5,510条独特的V3环氨基酸序列，并标注了其来源的人体组织部位，为研究HIV在不同解剖微环境中的区室化分布提供了系统性的序列-组织关联资源。该数据集最经典的使用场景在于构建序列变异与组织嗜性之间的映射模型，通过分析V3环的氨基酸组成、电荷分布及糖基化位点模式，揭示病毒适应特定组织微环境的分子决定因素。

实际应用

在实际应用中，该数据集为HIV疫苗设计、抗病毒药物靶点筛选及临床预后评估提供了关键工具。疫苗研发者可利用V3环序列与组织嗜性的关联，设计能够诱导针对多种组织型病毒株的广谱中和抗体。抗病毒药物开发者可通过分析不同组织来源的V3环结构保守区域，识别不易发生耐药突变的药物靶点。此外，临床医生可结合患者体内病毒V3环序列的组织来源偏好，预测病毒向中枢神经系统或生殖道等免疫豁免器官扩散的风险，从而优化抗逆转录病毒治疗策略并预防HIV相关神经认知障碍等并发症。

衍生相关工作

该数据集已催生多项前沿工作，包括基于深度学习的V3环组织嗜性预测模型，通过卷积神经网络或Transformer架构直接从氨基酸序列中预测病毒来源组织，准确率超过85%。研究者还利用该数据集构建了HIV区室化指数，量化病毒在不同组织间的遗传分化程度，并发现中枢神经系统来源的V3环序列具有显著更高的糖基化位点密度，提示病毒通过糖基化屏蔽宿主免疫监视的进化策略。此外，基于该数据集的对比分析揭示，外周血与生殖道来源的V3环序列在净电荷上存在系统性差异，为理解HIV性传播的分子机制提供了新线索。