vector-institute/atom3d-psr

该数据集用于预测蛋白质分子的三维结构，给定其序列。数据集包含约700个蛋白质目标，来源于CASP 5-13。每个目标包含其假定结构集合，这些结构经过SCWRL4软件处理以改善侧链构象。数据集按年份分割，用于训练、验证和测试。

This dataset is used for predicting the three-dimensional structure of a protein molecule given its sequence. It includes around 700 protein targets from CASP 5-13. Each target contains its decoy sets, which are processed with the SCWRL4 software to improve side-chain conformations. The dataset is split by year for training, validation, and testing.

原始信息汇总

PSR: Protein Structure Ranking

概述

• 任务：预测蛋白质分子的三维结构，给定其序列。
• 目标数量：约700个蛋白质目标。
• 来源：来自Critical Assessment of Structure Prediction (CASP) 5-13。
• 问题表述：作为假象排名问题。每个蛋白质目标包含从CASP假象集编译的假象集，使用SCWRL4软件改进侧链构象。
• 评分指标：RMSD、TM-score、GDT_TS、GDT_HA。

数据集

• 特征：
  • input_ids：序列，类型为int32。
  • coords：序列，包含float64类型的序列。
  • labels：序列，类型为float64。
• 分割：
  • train：25400个样本，1614130168字节。
  • val：2800个样本，192093760字节。
  • test：16014个样本，1264620360字节。
• 下载大小：1497041025字节。
• 数据集大小：3070844288字节。
• 配置：
  • default：
    • train：路径为data/train-*。
    • val：路径为data/val-*。
    • test：路径为data/test-*。
• 分割方式：
  • split-by-year：按时间分割CASP数据集。训练和验证集从CASP5-10随机分割，测试集使用CASP11 Stage 2。

引用信息

@article{townshend2020atom3d, title={Atom3d: Tasks on molecules in three dimensions}, author={Townshend, Raphael JL and V{"o}gele, Martin and Suriana, Patricia and Derry, Alexander and Powers, Alexander and Laloudakis, Yianni and Balachandar, Sidhika and Jing, Bowen and Anderson, Brandon and Eismann, Stephan and others}, journal={arXiv preprint arXiv:2012.04035}, year={2020} }

@article{kryshtafovych2019critical, title={Critical assessment of methods of protein structure prediction (CASP)—Round XIII}, author={Kryshtafovych, Andriy and Schwede, Torsten and Topf, Maya and Fidelis, Krzysztof and Moult, John}, journal={Proteins: Structure, Function, and Bioinformatics}, volume={87}, number={12}, pages={1011--1020}, year={2019}, publisher={Wiley Online Library} }

搜集汇总

数据集介绍

构建方式

在蛋白质结构预测领域，准确评估预测模型的质量是推动研究进展的关键。该数据集源自对CASP（Critical Assessment of Structure Prediction）竞赛5至13轮中约700个蛋白质靶标的系统整理。为将问题形式化为诱饵排序任务，研究团队从CASP发布的模型质量评估诱饵集合中提取每个靶标的候选结构，并利用SCWRL4软件对侧链构象进行优化。随后，借助TM-score软件计算每个诱饵相对于实验测定结构的RMSD、TM-score、GDT_TS及GDT_HA等指标，从而构建起结构质量标签。数据集采用时间分割策略，将CASP5-10的靶标随机划分训练集（508个靶标，每靶标50个诱饵）与验证集（56个靶标），并以CASP11第二阶段（85个靶标，每靶标150个诱饵）作为测试集。

使用方法

该数据集专为蛋白质结构预测中的诱饵排序任务设计，适用于训练和评估基于深度学习的模型，尤其是需要处理三维坐标信息的架构。使用时，用户可通过HuggingFace Datasets库加载默认配置，获取包含input_ids（序列标识）、coords（原子坐标）和labels（结构质量评分）的特征。建议将训练集（25400样本）用于模型参数学习，验证集（2800样本）用于超参数调优，测试集（16014样本）用于最终性能评估。在应用过程中，可直接将坐标数据输入到图神经网络或三维卷积网络中，以预测每个诱饵的结构质量得分，进而实现对候选结构的排序。数据格式为序列化存储，便于批处理与分布式训练。

背景与挑战

背景概述

蛋白质三维结构的精确预测是结构生物信息学领域的核心难题，直接关联到药物发现与疾病机制解析的进展。由向量研究所（Vector Institute）于2020年发布的ATOM3D-PSR（Protein Structure Ranking）数据集，旨在通过排序任务推动蛋白质结构预测方法的发展。该数据集汇集了来自关键评估结构预测（CASP）第5至13轮竞赛中约700个蛋白质靶标的诱饵集，经SCWRL4软件优化侧链构象后，以均方根偏差、TM-score等指标比对实验解析结构。作为ATOM3D基准套件的重要组成，PSR数据集为深度学习模型评估蛋白质结构质量提供了标准化平台，显著促进了计算结构生物学领域从单一预测向多候选结构排序的范式转变。

当前挑战

该数据集面临的核心挑战在于诱饵排序任务中天然存在的结构歧义性：蛋白质构象空间庞大，不同诱饵间细微的构象差异可能导致功能显著变化，而现有评分函数难以有效区分近似天然态的高质量诱饵。构建过程中，数据稀疏性与不均衡性构成主要技术瓶颈——CASP竞赛历年靶标数量有限，且高质量诱饵在数据集中占比远低于低质量构象，导致模型易产生偏向性学习。此外，基于时间序列的数据划分策略虽确保了评估的公正性，却加剧了训练集与测试集之间的分布偏移，对模型泛化能力提出严苛要求。

常用场景

经典使用场景

在计算结构生物学领域，蛋白质结构预测一直是核心挑战之一。ATOM3D-PSR数据集专为蛋白质结构排名任务而设计，其经典使用场景是将蛋白质三维结构预测问题转化为诱饵排名任务。研究人员利用该数据集，对来自CASP 5-13竞赛的约700个蛋白质靶标及其诱饵结构进行评分与排序，通过计算RMSD、TM-score等指标与实验测定结构的相似度，训练模型以区分高质量与低质量预测结构。这一场景推动了从静态结构预测到动态结构评估的范式转变。

解决学术问题

该数据集有效解决了蛋白质结构预测中模型质量评估这一关键学术难题。传统方法依赖单一预测结构，难以衡量预测可靠性，而ATOM3D-PSR通过提供大量诱饵结构及其与真实结构的量化距离，使研究者能够开发基于学习的评分函数。这解决了CASP竞赛中长期存在的排名与筛选问题，显著提升了结构预测的准确性和可解释性，为后续深度学习模型在蛋白质结构评估中的应用奠定了数据基础，对结构生物学领域产生了深远影响。

实际应用

在实际应用中，ATOM3D-PSR数据集驱动的模型被广泛用于药物发现和蛋白质工程。例如，在靶向药物设计中，这些模型能够快速筛选出最接近真实三维结构的蛋白质构象，从而加速候选药物的虚拟筛选过程。此外，在酶设计和抗体优化中，精确的结构排名有助于识别功能关键区域，指导突变设计。该数据集还支持自动化结构预测管线的后处理环节，提升高通量结构解析的可靠性，兼具科研与工业双重价值。

数据集最近研究

最新研究方向

在蛋白质结构预测这一生命科学前沿领域，三维结构的精准解析是理解生物功能与疾病机制的核心。vector-institute/atom3d-psr数据集专注于蛋白质结构排名任务，通过整合CASP 5-13竞赛中的约700个蛋白质靶标及其诱饵集，并利用SCWRL4优化侧链构象、计算RMSD与TM-score等关键指标，为深度学习模型提供了高质量的基准。当前研究热点聚焦于利用图神经网络与等变架构对蛋白质三维坐标进行直接建模，以提升从序列到结构排名的泛化能力。该数据集的时间分割策略（如基于年份划分训练与测试集）有效模拟了真实场景中未知靶标的挑战，推动了模型在跨年度盲测中的鲁棒性评估，对加速新药靶点发现与精准医疗具有深远意义。