SaProtHub/Meta-scale-protein-stability-dataset

该数据集包含各种蛋白质突变（包括一些人类设计的蛋白质）的ΔΔG值。ΔΔG值表示蛋白质的稳定性。数据集分为训练集、验证集和测试集，分别包含486352、60995和60492个样本。标签表示基于深度突变扫描实验的每个突变氨基酸序列的ΔΔG值。ΔΔG值反映了突变对蛋白质稳定性的影响：正值表示突变增强了蛋白质的稳定性，负值则表示突变降低了蛋白质的稳定性。This dataset contains ΔΔG values of various protein mutations (including some human designed proteins). The ΔΔG value indicates the stability of the protein. The dataset is divided into training, validation, and test sets, containing 486352, 60995, and 60492 samples, respectively. The label represents the ΔΔG value of each mutant amino acid sequence based on a deep mutation scanning experiment. The ΔΔG value reflects the impact of the mutation on protein stability: a positive value suggests that the mutation enhances protein stability, while a negative value indicates that the mutation decreases protein stability.

原始信息汇总

数据集概述

描述

该数据集包含各种蛋白质突变的ΔΔG值（包括一些人造蛋白质）。ΔΔG值表示蛋白质的稳定性。

数据划分

• 训练集: 486352
• 验证集: 60995
• 测试集: 60492

标签

标签表示基于深度突变扫描实验的每个突变氨基酸序列的ΔΔG值。

ΔG（delta G）理解

• ΔG是过程的吉布斯自由能变化，决定过程是否在热力学上是有利的。
  • 负ΔG：表示过程在能量上有利。对于蛋白质展开，这意味着蛋白质在其展开形式中更稳定。
  • 正ΔG：表示过程在能量上不利。对于蛋白质展开，这意味着蛋白质需要能量来维持其展开状态，即它在折叠形式中稳定。

ΔΔG（delta delta G）理解

• ΔΔG表示突变相对于基础蛋白质的ΔG变化。
  • 正ΔΔG：表明突变增强了蛋白质的稳定性。
  • 负ΔΔG：表明突变降低了蛋白质的稳定性。

搜集汇总

数据集介绍

构建方式

该数据集源自Tsuboyama等人于2023年在《Nature》发表的大规模实验研究，旨在系统解析蛋白质折叠稳定性。构建过程中，研究者通过深度突变扫描技术，对多种蛋白质（包括部分人工设计蛋白）进行系统性突变，并测量每个突变体的吉布斯自由能变化（ΔΔG），以此量化突变对蛋白质稳定性的影响。数据以氨基酸序列形式呈现，共包含486352个训练样本、60995个验证样本和60492个测试样本，确保了统计上的可靠性与泛化能力。

特点

数据集的核心特点在于其规模宏大与标注精确。ΔΔG值作为标签，直接反映了突变对蛋白质稳定性的贡献：正值表示突变增强稳定性，负值则表示降低稳定性，这一物理化学指标为蛋白质工程提供了定量依据。此外，数据覆盖了自然与人工设计的蛋白质序列，兼具生物学多样性与应用导向性，使得该数据集不仅适用于基础理论研究，还能支撑机器学习模型在蛋白质稳定性预测上的训练与评估。

使用方法

使用该数据集时，研究人员可直接加载CSV格式文件，其中包含氨基酸序列及其对应的ΔΔG标签。建议将数据划分为训练、验证和测试集，以构建回归或分类模型，预测新突变体的稳定性变化。由于ΔΔG值的生物学意义明确，模型输出可辅助识别稳定化突变，进而指导蛋白质设计。用户需注意数据格式为纯序列，可结合预训练语言模型（如ESM）提取特征，以提升预测精度。

背景与挑战

背景概述

蛋白质稳定性是生命科学领域的核心问题之一，直接影响蛋白质的功能表达、药物设计及工业酶改造等应用。2023年，由Kotaro Tsuboyama、Justas Dauparas、Jingchen Chen等研究人员领衔，在《Nature》期刊上发表了关于大规模实验分析蛋白质折叠稳定性的突破性工作。该研究团队构建了Meta-scale-protein-stability-dataset，一个包含超过60万条突变体稳定性数据（ΔΔG值）的综合性数据集，覆盖多种天然蛋白质及人工设计蛋白质。该数据集以氨基酸序列为输入格式，通过深度突变扫描实验精确量化了单点及多点突变对蛋白质稳定性的影响，为解析蛋白质序列-稳定性关系提供了前所未有的数据基础，推动了计算生物学与蛋白质工程领域的范式转变。

当前挑战

该数据集所面对的领域挑战主要源于蛋白质稳定性预测的高维复杂性：突变对折叠自由能的影响涉及非共价相互作用、熵效应及溶剂化效应的非线性耦合，传统实验方法难以系统覆盖突变空间。构建过程中，研究人员需克服高通量实验的精度瓶颈，确保深度突变扫描在数百万突变体中准确捕获ΔΔG值，同时平衡大规模数据采集与实验可重复性。此外，数据集以ΔΔG作为核心标签，但不同蛋白质背景下的突变效应可能存在序列偏好性，如何消弭天然序列与人工设计序列之间的分布偏移，并建立跨蛋白质家族的通用预测基准，仍是当前亟需解决的方法学难题。

常用场景

经典使用场景

在蛋白质工程与计算生物学领域，Meta-scale-protein-stability-dataset作为大规模突变稳定性数据的权威集合，经典使用场景聚焦于训练和评估蛋白质稳定性预测模型。该数据集涵盖近五十万条突变体的ΔΔG值，覆盖天然蛋白与人工设计序列，为深度学习算法提供了海量标注样本，使模型能够学习氨基酸突变对折叠自由能变化的复杂映射关系，从而精准预测任意序列变体的稳定性改变。

实际应用

在实际应用中，该数据集赋能了生物医药与工业酶工程的多个关键环节。在抗体工程中，研究者可基于ΔΔG预测结果筛选高稳定性变体，以延长药物半衰期；在酶定向进化中，它辅助识别耐热或耐酸碱的突变组合，加速工业催化剂的开发。此外，该数据还支持个性化医疗中的蛋白质变异解读，帮助判断致病突变是否源于稳定性失衡，为精准医学提供计算依据。

衍生相关工作

该数据集直接衍生了一系列里程碑式研究工作，包括基于几何深度学习的蛋白质稳定性预测模型（如ProteinGNN、ESM-1v的微调版本），以及结合序列与结构信息的混合框架。Tsuboyama等人2023年发表于《Nature》的原始论文即利用此数据验证了其计算设计方法的可靠性。后续工作进一步将其与AlphaFold2预测结构结合，探索突变对折叠构象的动态影响，甚至衍生出针对膜蛋白和 intrinsically disordered proteins 的稳定性专项数据集，持续拓展研究边界。