このデータセットは、湖南大学、中国科学院大学、ByteDance Seed Teamによって2025年に公開されたタンパク質生成データセットです。関連する論文の結果は「タンパク質複合体の設計のための全原子生成モデル”。

データセットの構成

• 単鎖タンパク質データセット: PDB (18,684)、Swiss-Prot (140,769)、AFDB (28,041) データベースから、さまざまなタンパク質タイプと機能を網羅する 187,494 のサンプルが含まれています。

• マルチチェーンタンパク質データセット：2～6鎖タンパク質複合体を網羅する11,620サンプルを含み、マルチチェーンモデリングをサポートします。データはPDB生物学的アセンブリデータから取得され、SAbDab抗体データベースに含まれるサンプル、長さが30未満の鎖（ペプチドとみなされる）を含むサンプル、長さが2,048を超えるサンプル、またはクラスターIDを持たないサンプルの3種類のサンプルは除外されています。研究者らはトレーニング中にマルチチェーンサンプルをランダムにトリミングしました。384残基を超えるサンプルは、鎖間結合界面残基ペアを中心に配置し、最も近い384アミノ酸を保持しました。