有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
PDB|生物信息学数据集|蛋白质结构数据集
收藏www.rcsb.org2024-10-25 收录
下载链接：
https://www.rcsb.org/
下载链接
链接失效反馈资源简介：
PDB（Protein Data Bank）是一个存储生物大分子（如蛋白质和核酸）三维结构的数据库。它包含了通过实验方法（如X射线晶体学、核磁共振等）确定的分子结构数据。
提供机构：
www.rcsb.org
AI搜集汇总
数据集介绍
构建方式
蛋白质数据库（PDB）的构建基于全球科研机构提交的实验数据，这些数据包括通过X射线晶体学、核磁共振（NMR）光谱学和电子显微镜等技术获得的蛋白质和核酸的三维结构信息。PDB的维护由结构生物信息学研究合作组织（RCSB）负责，确保数据的高质量和一致性。
使用方法
研究者可以通过PDB数据库检索特定的蛋白质或核酸结构，进行结构比对、功能预测和药物设计等研究。此外，PDB还提供了多种工具和可视化软件，帮助用户分析和理解复杂的生物分子结构，从而推动生物医学和药物研发领域的进步。
背景与挑战
背景概述
蛋白质数据库（Protein Data Bank，简称PDB）是生物信息学领域的一个重要资源，由美国国家科学基金会于1971年资助建立。该数据库由RCSB PDB（Research Collaboratory for Structural Bioinformatics Protein Data Bank）维护，收录了大量蛋白质、核酸及其复合物的三维结构数据。PDB的建立极大地推动了结构生物学的发展，为研究人员提供了丰富的结构信息，促进了药物设计、蛋白质工程等领域的研究。
当前挑战
尽管PDB在结构生物学中具有重要地位，但其构建过程中仍面临诸多挑战。首先，数据的质量控制是一个持续的问题，因为实验数据的准确性和完整性直接影响后续研究的可靠性。其次，随着高通量测序技术的发展，PDB需要处理和整合的海量数据量不断增加，这对数据存储和检索提出了更高的要求。此外，不同实验方法产生的结构数据在分辨率和精度上存在差异，如何统一和标准化这些数据也是一个亟待解决的问题。
发展历史
创建时间与更新
PDB（蛋白质数据库）创建于1971年，由Walter Hamilton在Brookhaven国家实验室发起。自那时起，PDB已成为全球科学家研究蛋白质结构和功能的核心资源。PDB的更新频率较高，通常每周都会发布新的结构数据，确保数据库内容的时效性和准确性。
重要里程碑
PDB的重要里程碑包括1998年由RCSB（结构生物学研究合作）接管，这一转变极大地提升了数据管理和访问的效率。2003年，PDB引入了MMCIF（分子建模数据库）格式，这一标准化格式促进了全球范围内的数据交换和共享。此外，2012年PDB与EMDB（电子显微镜数据库）的整合，标志着从单一的X射线晶体学到多模态结构解析的扩展，极大地丰富了数据库的内容和应用范围。
当前发展情况
当前，PDB已成为全球最大的蛋白质结构数据库，收录了超过180,000个蛋白质及其复合物的三维结构。PDB的发展不仅推动了结构生物学领域的研究，还对药物设计、生物工程和分子生物学等多个领域产生了深远影响。通过持续的技术创新和国际合作，PDB不断优化其数据存储、检索和分析工具，确保科学家能够高效地获取和利用这些宝贵的结构信息，从而加速科学发现和技术进步。
发展历程
- 蛋白质数据库（PDB）首次建立，由美国国家科学基金会资助，旨在存储和分发蛋白质结构数据。
- PDB正式开始运营，并发布了第一批蛋白质结构数据。
- PDB的管理权转移至结构生物信息学研究合作组织（RCSB），标志着数据管理和服务质量的进一步提升。
- PDB推出了在线数据库，使得全球科研人员能够更便捷地访问和下载蛋白质结构数据。
- PDB发布了超过20,000个蛋白质结构，标志着数据集的快速增长和广泛应用。
- PDB与欧洲生物信息学研究所（EMBL-EBI）和日本结构基因组学联盟（JSCC）合作，形成了全球PDB联盟，进一步增强了数据集的国际影响力。
- PDB发布了超过150,000个蛋白质结构，成为全球最重要的蛋白质结构数据库之一。
常用场景
经典使用场景
在生物信息学领域，蛋白质数据库（PDB）作为全球最权威的蛋白质结构数据库，广泛用于蛋白质结构预测、分子对接和药物设计等经典场景。研究者通过分析PDB中的三维结构数据，能够深入理解蛋白质的功能和相互作用机制，从而为新药研发和生物技术应用提供关键支持。
解决学术问题
PDB数据集在解决蛋白质折叠、功能预测和蛋白质-蛋白质相互作用等学术问题上具有重要意义。通过提供高精度的蛋白质三维结构数据，PDB帮助研究者验证和优化结构预测算法，推动了计算生物学和结构生物学的发展。其数据的高质量和多样性为学术界提供了丰富的研究资源，促进了相关领域的理论和实验研究。
实际应用
在实际应用中，PDB数据集被广泛用于药物设计和开发。制药公司利用PDB中的蛋白质结构信息，进行靶点识别和药物分子设计，从而加速新药的研发进程。此外，PDB数据还在生物技术和医疗诊断领域发挥重要作用，如用于开发新型生物传感器和诊断工具，提高疾病的早期检测和治疗效果。
数据集最近研究
最新研究方向
在生物信息学领域，蛋白质数据库（PDB）作为全球蛋白质结构数据的核心资源，其最新研究方向主要集中在结构生物学与计算生物学的交叉应用。研究者们通过整合PDB中的高分辨率结构数据，利用机器学习算法预测蛋白质的功能和相互作用，从而推动药物设计和生物工程的发展。此外，PDB数据集的开放获取特性，促进了全球科研团队的合作，加速了新药研发和疾病机制的理解。这些前沿研究不仅提升了我们对生命过程的认识，也为未来的精准医疗奠定了坚实基础。
相关研究论文
- 1The Protein Data Bank: a historical perspectiveNational Institutes of Health · 2008年
- 2The Protein Data Bank: new resources for research and educationRCSB Protein Data Bank · 2019年
- 3The RCSB Protein Data Bank: integrative view of protein, gene and 3D structural informationRCSB Protein Data Bank · 2017年
- 4The Protein Data Bank: a key resource for structural biologyRCSB Protein Data Bank · 2015年
- 5The Protein Data Bank: a historical perspectiveNational Institutes of Health · 2008年
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
PCLT20K
PCLT20K数据集是由湖南大学等机构创建的一个大规模PET-CT肺癌肿瘤分割数据集，包含来自605名患者的21,930对PET-CT图像，所有图像都带有高质量的像素级肿瘤区域标注。该数据集旨在促进医学图像分割研究，特别是在PET-CT图像中肺癌肿瘤的分割任务。
arXiv 收录
LIDC-IDRI
LIDC-IDRI 数据集包含来自四位经验丰富的胸部放射科医师的病变注释。 LIDC-IDRI 包含来自 1010 名肺部患者的 1018 份低剂量肺部 CT。
OpenDataLab 收录
中国食物成分数据库
食物成分数据比较准确而详细地描述农作物、水产类、畜禽肉类等人类赖以生存的基本食物的品质和营养成分含量。它是一个重要的我国公共卫生数据和营养信息资源，是提供人类基本需求和基本社会保障的先决条件；也是一个国家制定相关法规标准、实施有关营养政策、开展食品贸易和进行营养健康教育的基础，兼具学术、经济、社会等多种价值。 本数据集收录了基于2002年食物成分表的1506条食物的31项营养成分（含胆固醇）数据，657条食物的18种氨基酸数据、441条食物的32种脂肪酸数据、130条食物的碘数据、114条食物的大豆异黄酮数据。
国家人口健康科学数据中心 收录
FAOSTAT Agricultural Data
FAOSTAT Agricultural Data 是由联合国粮食及农业组织（FAO）提供的全球农业数据集。该数据集涵盖了农业生产、贸易、价格、土地利用、水资源、气候变化、人口统计等多个方面的详细信息。数据包括了全球各个国家和地区的农业统计数据，旨在为政策制定者、研究人员和公众提供全面的农业信息。
www.fao.org 收录
中国区域地面气象要素驱动数据集 v2.0（1951-2020）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 70 年（1951~2020 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 70 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。CMFD 2.0 的数据内容与此前宣传的 CMFD 1.7 基本一致，仅对 1983 年 7 月以后的向下短/长波辐射通量数据进行了更新，以修正其长期趋势存在的问题。2021 年至 2024 年的 CMFD 数据正在制作中，计划于 2025 年上半年发布，从而使 CMFD 2.0 延伸至 2024 年底。
国家青藏高原科学数据中心 收录