Dieser Datensatz ist ein Proteingenerierungsdatensatz, der 2025 von der Hunan University, der University of Chinese Academy of Sciences und dem ByteDance Seed Team veröffentlicht wurde. Die zugehörigen Ergebnisse sind:Ein All-Atom-Generatives Modell für den Entwurf von Proteinkomplexen".

Datensatzzusammensetzung

• Datensatz zu Einzelkettenproteinen: enthält 187.494 Proben, die eine Vielzahl von Proteintypen und -funktionen abdecken, aus den Datenbanken PDB (18.684), Swiss-Prot (140.769) und AFDB (28.041).

• Multi-Chain-Protein-Datensatz: Enthält 11.620 Proben, die 2- bis 6-Ketten-Proteinkomplexe abdecken und die Multi-Chain-Modellierung unterstützen. Die Daten stammen aus PDB-Daten zur biologischen Assemblierung, wobei drei Probentypen ausgeschlossen sind: Proben aus der SAbDab-Antikörperdatenbank, Proben mit Kettenlängen unter 30 Ketten (als Peptide betrachtet), Proben mit einer Länge von über 2.048 Ketten oder ohne Cluster-IDs. Die Forscher haben die Multi-Chain-Proben während des Trainings zufällig gekürzt: Proben mit mehr als 384 Aminosäuren wurden auf die Restpaare der Interchain-Bindungsschnittstelle zentriert, wobei die nächstgelegenen 384 Aminosäuren beibehalten wurden.