APM 蛋白质生成数据集

该数据集是由湖南大学联合中国科学院大学、字节跳动 Seed 团队于 2025 年发布的一个蛋白质生成数据集，相关论文成果为「An All-Atom Generative Model for Designing Protein Complexes」。

数据集构成

• 单链蛋白质数据集：含 187,494 个样本，覆盖多种蛋白质类型与功能，源自 PDB（18,684 个）、 Swiss-Prot（140,769 个）、 AFDB（28,041 个）数据库。

• 多链蛋白质数据集：含 11,620 个样本，涵盖 2-6 链蛋白质复合物，支撑多链建模。数据源自 PDB 生物组装数据，排除 3 类样本：SAbDab 抗体数据库中的样本、含长度小于 30 的链（视为肽段）的样本、长度大于 2,048 或缺乏聚类 ID 的样本。研究人员训练时对多链样本随机裁剪：残基数超 384 的样本，以链间结合界面残基对为中心，保留最近 384 个氨基酸。