TEDBench

TEDBench是一个大规模、非冗余的蛋白质折叠分类基准数据集，基于Encyclopedia of Domains (TED)注释投影到Foldseek聚类的AlphaFold数据库构建。它包含训练集369,740个结构、验证集46,217个结构、测试集46,218个结构以及外部测试集（CATH 4.4实验数据）27,638个结构，所有结构被分类为965个CATH拓扑（T级）类别。每个样本包含坐标、pLDDT、残基索引、序列ID、序列和标签（整数CATH拓扑索引）。TEDBench is a large-scale, non-redundant benchmark dataset for protein fold classification. It is constructed by projecting annotations from the Encyclopedia of Domains (TED) onto the AlphaFold database clustered via Foldseek. The dataset includes 369,740 structures in the training set, 46,217 structures in the validation set, 46,218 structures in the test set, and 27,638 structures in the external test set (experimental data from CATH 4.4). All structures are classified into 965 CATH topology (T-level) categories. Each sample contains coordinates, pLDDT, residue indices, sequence IDs, sequences, and labels (integer CATH topology indices).

原始信息汇总

TEDBench 数据集详情总结

TEDBench 是一个大规模、无冗余的蛋白质折叠分类基准数据集，同时提出了 MiAE（Masked Invariant Autoencoders），一种用于蛋白质结构表征的自监督预训练框架。该成果发表于 ICML 2026（口头报告）。

数据集构成

• 数据源：基于蛋白质结构百科全书（TED）的注释，投影到经过 Foldseek 聚类的 AlphaFold 数据库上。
• 数据集划分：
  • 训练集：369,740 个结构
  • 验证集：46,217 个结构
  • 测试集：46,218 个结构
  • 外部测试集（CATH 4.4 实验结构）：27,638 个结构
• 分类任务：所有结构被分类为 965 个 CATH 拓扑（T 级）类别。

数据样本内容

每个样本包含以下字段：

• coords [L, 3, 3]：主链原子坐标（N/Cα/C，float32 类型）
• plddt [L]：预测的局部距离误差
• residue_index [L]：残基索引
• seq_ids [L]：序列 ID
• sequence：氨基酸序列
• label：整数形式的 CATH 拓扑索引

数据集获取方式

数据集可通过以下两个来源获取：

数据集	HuggingFace 仓库	直接下载
TEDBench (AFDB + CATH 标签)	TEDBench/ted	MPCDF datashare
AFDB 预训练语料库	TEDBench/afdb	MPCDF datashare
CATH 4.4 实验测试集	TEDBench/cath	MPCDF datashare

MiAE 模型简介

MiAE 是一个 SE(3)-不变掩码自编码器，可掩码高达 90% 的主链框架，仅使用可见残基进行几何编码，并通过轻量级解码器重建完整主链结构。

预训练与微调模型

所有模型均可在 HuggingFace 上获取，并通过 tedbench.load_model() 加载。

预训练 MiAE 模型（特征提取器 / 微调起点）：

模型	HuggingFace 仓库	参数量
MiAE-S	TEDBench/miae-s	29 M
MiAE-B	TEDBench/miae-b	102 M
MiAE-B+seq	TEDBench/miae-b-seq	102 M
MiAE-L	TEDBench/miae-l	339 M

在 TEDBench 上微调的模型（折叠分类器）：

模型	HuggingFace 仓库	TEDBench 测试准确率	CATH 4.4 测试准确率
MiAE-S (ft)	TEDBench/miae-s-ft	72.28	76.08
MiAE-B (ft)	TEDBench/miae-b-ft	73.71	75.72
MiAE-B+seq (ft)	TEDBench/miae-b-seq-ft	74.56	77.34
MiAE-L (ft)	TEDBench/miae-l-ft	73.47	76.46

从头训练的模型（无预训练）：

模型	HuggingFace 仓库
MiAE-S (sc)	TEDBench/miae-s-sc
MiAE-B (sc)	TEDBench/miae-b-sc
MiAE-B+seq (sc)	TEDBench/miae-b-seq-sc
MiAE-L (sc)	TEDBench/miae-l-sc

模型变体详情

名称	参数量	层数	隐藏维度	注意力头数
miae_s	29 M	6	512	8
miae_b	102 M	12	768	12
miae_l	339 M	24	1,024	16

可通过添加 model.use_seq_input=true 启用 +seq 变体（结合结构与序列信息）。

评估

无需本地数据设置，可直接从 HuggingFace Hub 评估模型。示例命令：

bash

在 TEDBench 测试集上测试微调的 MiAE-B

python main_test_ted.py datamodule=hf_ted pretrained_model_path=TEDBench/miae-b-ft

在 CATH 4.4 外部实验测试集上测试

python main_test_ted.py datamodule=hf_cath_test pretrained_model_path=TEDBench/miae-b-ft

线性探测：使用预训练的 MiAE-B

python main_linprobe_ted.py pretrained_model_path=TEDBench/miae-b

安装

• 从 PyPI 安装：pip install tedbench
• 从源码安装：需创建 Python 3.12 环境，安装依赖后以可编辑模式安装 tedbench 包。

许可证

BSD-3-Clause

搜集汇总

数据集介绍

构建方式

蛋白质折叠分类是结构生物学领域的核心挑战之一，其规模化基准的缺乏限制了深度学习方法的发展。TEDBench数据集基于TED（Encyclopedia of Domains）注释系统，通过将已知蛋白质结构域注释映射至经Foldseek聚类的AlphaFold数据库，构建了一个大规模、无冗余的蛋白质折叠分类基准。该数据集涵盖了965个CATH拓扑级别的折叠类别，训练集、验证集与测试集分别包含369,740、46,217与46,218个蛋白质结构样本，同时引入了包含27,638个实验解析结构的CATH 4.4外部测试集，为蛋白质折叠分类研究提供了全面且标准化的评估平台。

特点

TEDBench数据集具有显著的大规模与高覆盖特性，其样本均来源于AlphaFold预测结构库，经严格聚类与注释后形成系统化的分类体系。每个样本保留了完整的骨干原子坐标（N、Cα、C）、pLDDT置信度分数、残基索引、序列信息及整数标签，便于多维度特征提取。与现有基准相比，TEDBench在拓扑类别数量与数据规模上实现了量级突破，同时通过引入实验解析的CATH测试集保障了评估的鲁棒性。数据集的非冗余设计有效避免了结构相似性导致的偏倚，使其成为衡量蛋白质结构表征学习模型泛化能力的理想基准。

使用方法

TEDBench提供了灵活的数据加载方案，用户可通过HuggingFace数据集库直接调用，如使用`load_dataset("TEDBench/ted")`加载完整数据集，或利用`LightningStructureDataset`类整合至PyTorch Lightning训练管道。数据集支持自动下载与本地缓存机制，亦可通过MPCDF链接直接获取归档文件。预训练模型MiAE系列可从HuggingFace加载，通过`tedbench.load_model("miae-b")`一键调用，并支持零样本评估与微调。用户可借助提供的`main_test_ted.py`脚本在TEDBench或CATH 4.4测试集上完成模型评估，参数配置通过Hydra接口实现模块化调优。

背景与挑战

背景概述

蛋白质折叠分类是结构生物信息学领域的核心难题，旨在根据蛋白质的三维空间构象将其归入已知的折叠类型，这不仅是理解蛋白质功能与演化关系的关键，更是药物设计与疾病机理研究的基础。然而，传统分类方法受限于实验解析结构的稀缺性和数据集规模的不足，难以捕捉蛋白质结构空间的多样性。在此背景下，由Dexiong Chen、Andrei Manolache、Mathias Niepert和Karsten Borgwardt等在2026年发表于ICML的TEDBench应运而生，这是一个基于百科全书式结构域数据库（TED）与Foldseek聚类的AlphaFold数据库构建的大规模无冗余基准，包含超过46万个训练结构与965个CATH拓扑类别，并同步提出了掩码不变自编码器（MiAE）用于结构表示的自监督预训练，从而为蛋白质折叠分类研究树立了全新的标杆与性能验证平台。

当前挑战

TEDBench所应对的领域挑战在于，蛋白质折叠分类长期受困于数据匮乏与类别不均衡，现有基准如CATH或SCOP的规模限制了深度学习模型对结构空间复杂模式的泛化能力，而构建过程中更面临多重瓶颈：首先，从海量且包含噪声的AlphaFold预测结构中提取高质量域注释并消除冗余，需依赖精巧的TED投影与Foldseek聚类算法以确保纯净性；其次，将超过46万个结构统一标注至965个CATH拓扑等级，要求从层级化本体中精准映射并处理语义重叠；此外，为支持自监督预训练而设计的MiAE架构需在掩码比例高达90%时，仍能基于可见残基片段精确重建完整主链，这对其SE(3)-不变性的几何编码器提出了极致的表征与计算效率挑战。

常用场景

经典使用场景

TEDBench作为大规模、非冗余的蛋白质折叠分类基准，其经典使用场景聚焦于评估和比较不同蛋白质结构表示学习方法在折叠分类任务上的性能。研究者可利用其覆盖965个CATH拓扑类别的逾46万训练样本，对几何深度学习模型、序列-结构联合模型乃至传统方法进行系统的训练与测试。该基准通过提供统一的训练/验证/测试划分及外部CATH 4.4实验集，确保了评估的公平性与可重复性，从而成为蛋白质结构功能关系探究中不可或缺的标准化评测平台。

衍生相关工作

TEDBench衍生出了涵盖自监督预训练与结构表示学习的多项前沿工作。其核心贡献之一是MiAE（掩码不变自编码器）框架，该框架通过掩码高达90%的主链坐标并仅重建完整结构，学习到SE(3)等变的紧凑表示。此外，该基准推动了系列变体模型（如融入序列信息的MiAE-B+seq）的诞生，以及与ESM2、SaProt、ProteinMPNN等基线系统的系统对比研究。这些衍生工作共同勾勒出从大规模结构预训练到下游分类任务微调的技术路线，成为后续蛋白质语言模型与几何学习融合研究的重要参照系。

数据集最近研究

最新研究方向

蛋白质折叠分类正经历从序列导向向结构驱动的深刻范式转变，TEDBench作为首个基于AlphaFold数据库的大规模、去冗余基准，为这一领域注入了全新活力。该数据集依托TED注释体系，将近37万训练样本映射至965个CATH拓扑类别，开创性地将蛋白质结构表示学习与折叠分类任务有机结合，直面传统基准规模有限、冗余度高等瓶颈。与之相伴的MiAE框架采用SE(3)不变掩码自编码策略，可对高达90%的主链帧进行掩蔽，仅依赖可见残基的几何编码完成全结构重建，在自监督预训练与下游分类间架起高效桥梁。该工作在ICML 2026上获得口头报告，标志着蛋白质结构表征学习迈向规模化、标准化，为后续药物设计、酶工程等热点领域提供了坚实的数据基石与评价标尺。