evo-final

evo-final是一个用于自监督偏好训练的多源蛋白质复合物数据集，专门设计用于研究跨物种的蛋白质1蛋白质相互作用，通过正交对齐的跨物种交换构建训练样本。数据集采用五层结构组织：L1层包含85,554个未经过滤的原生异源二聚体（过滤版本为50,357个）；L2层包含79,241个（同源内）和117,537个（跨源）共享正交组的原生对关系；L3层以wjiaqi/evo风格组织，每行包含4个序列及完整的基因/物种/同一性/分歧时间标签；L4层是训练就绪的偏好对，包含316,964个（同源内）和470,148个（跨源）样本，每行包含一个偏好的原生二聚体和一个不偏好的嵌合体。每个交换行都标注了三种序列同一性度量（基于BLOSUM62全局比对计算）和基于TimeTree的物种分歧时间（以百万年为单位）。数据来源于两个主要渠道：NVIDIA AlphaFold数据库的严格筛选结果和Cong-lab通过Boltz筛选的蛋白质-蛋白质相互作用数据。数据集支持同源内（NVIDIA×NVIDIA或Cong-lab×Cong-lab）和跨源（NVIDIA×Cong-lab）两种配对方式，适用于蛋白质复合物预测、正交交换分析和自监督偏好学习等任务。

原始信息汇总

数据集概要

数据集名称: evo-final
许可证: CC-BY-4.0
任务类别: 其他
标签: 蛋白质、复合物、蛋白质-蛋白质相互作用、自监督、偏好、交换、直系同源、AlphaFold
数据规模: 100K ≤ 行数 < 1M

核心用途

用于蛋白质复合物自监督偏好训练的多源数据集，包含跨物种交换样本。所有跨物种交换均经过直系同源对齐，并带有三类序列同一性指标和TimeTree物种分歧时间标签。

五层结构

层级	配置名称	行数	说明
L1	natives	85,554	所有天然异源二聚体，未筛选
L1ʹ	natives-filtered	50,357	同上，限制为后鞭毛生物且可映射NCBI属
L2	swap_relationships	79,241	仅含外键的天然物对，共享直系同源组（同源内）
L2	swap_relationships_cross_source	117,537	跨来源版本（NVIDIA × conglab）
L3	swap_complexes	79,241	每行含4条序列及基因/物种/同一性/mya标签（同源内）
L3	swap_complexes_cross_source	117,537	跨来源版本
L4	preference_pairs (默认)	316,964	训练就绪，每行包含（优选天然物，劣选嵌合体）及所有链的物种/基因标签（同源内）
L4	preference_pairs_cross_source	470,148	跨来源版本

数据源与物种过滤

• NVIDIA AFDB (nvda): 来自wjiaqi/evo-afcdb-final，严格筛选（ipSAE_min ≥ 0.6 & N_clash_backbone ≤ 10），共69,693条。
• Cong-lab Boltz (conglab): 来自wjiaqi/evo-conglab-final，经Boltz过滤（iptm ≥ 0.7 & complex_plddt ≥ 70），共15,861条。
• 过滤条件: 后鞭毛生物（Opisthokonta，即后生动物+真菌）且具有NCBI有效科学名称属，确保每条记录可映射到TimeTree的taxid。

序列同一性指标（每行三个）

每条L2/L3/L4行包含三个序列同一性指标：

指标	公式	用途
seq_identity_* (主指标)	匹配数 / 对齐列数（非空位）	BLAST风格的“%同一性”；文献中常见；对齐区域保守性
seq_identity_*_min_len	匹配数 / min(长度a, 长度b)	核心结构域同一性；受较短链限制
seq_identity_*_max_len	匹配数 / max(长度a, 长度b)	保守估计；惩罚长度不匹配

计算方式：通过BLOSUM62全局比对（Biopython PairwiseAligner，空位开放罚分 −11，延伸罚分 −1）。

距离标签B：TimeTree分歧时间

divergence_mya：来自TimeTree的物种成对中位时间，基于分子钟校准。

物种对	MYA
小鼠 ↔ 大鼠	13
人 ↔ 小鼠	87
人 ↔ 斑马鱼	429
酿酒酵母 ↔ 粟酒裂殖酵母	543
果蝇 ↔ 线虫	727
人 ↔ 酵母	1,275

同源内 vs 跨来源

• 同源内（无_cross_source后缀）：配对为NVIDIA × NVIDIA（通过STRING直系同源组）或conglab × conglab（通过共享ppi_id）。
• 跨来源（_cross_source后缀）：配对为NVIDIA × conglab，利用337个在两种数据源中均出现的STRING直系同源签名。

数据加载示例（Python）

python from datasets import load_dataset prefs = load_dataset("wjiaqi/evo-final")["train"] # L4 同源内（默认） prefs_x = load_dataset("wjiaqi/evo-final", "preference_pairs_cross_source")["train"] complexes = load_dataset("wjiaqi/evo-final", "swap_complexes")["train"] # L3 wjiaqi/evo风格

数据集构建流程

NVIDIA AFDB严格筛选 + conglab Boltz过滤 → L1 天然物 ↓ STRING直系同源关系（30个后鞭毛物种） → role_keys ↓ L2 swap_relationships（同源内：NVIDIA×NVIDIA通过STRING，conglab×conglab通过ppi_id； 跨来源：签名重叠） ↓ L3 swap_complexes（= L2 ⨝ L1，每行4条序列） ↓ L4 preference_pairs（= 展开L3为4行：{AB, BA} × {sp1优选，sp2优选}）

附加：每行进行BLOSUM62全局比对 → 3个同一性指标；TimeTree成对中位时间 → 分歧MYA。

关键引用

• NVIDIA AFDB: Han Y, Tsenkov MI, Venanzi NAE, et al. bioRxiv (2026), doi:10.64898/2026.03.27.714458.
• STRING: Szklarczyk et al., Nucleic Acids Research (2023).
• UniProt: UniProt Consortium, Nucleic Acids Research (2025).
• TimeTree: Kumar et al., Mol Biol Evol (2022).
• Cong-lab Boltz过滤PPI集（即将发表）。

搜集汇总

数据集介绍

构建方式

evo-final数据集基于蛋白质复合物结构预测领域的前沿需求，整合了NVIDIA AFDB严格筛选与Cong-lab Boltz过滤的天然异源二聚体作为底层资源（L1层）。通过STRING数据库的直系同源群组映射，在Opisthokonta门类物种间构建跨物种交换关系（L2层），继而融合天然复合物信息生成包含四条序列内联的交换复合物数据（L3层）。最终，利用正交组合策略将每个交换复合物扩展为四种偏好对组合，形成训练就绪的偏好对数据（L4层）。

使用方法

可通过HuggingFace Datasets库便捷加载，默认配置为同源偏好对子集（preference_pairs），使用load_dataset('wjiaqi/evo-final')即可获取316,964条训练就绪样本。支持跨源模式调用（preference_pairs_cross_source）获取470,148条扩展数据，也可直接加载L3层swap_complexes用于序列级表征学习。各层数据通过外键关联，便于用户根据下游任务灵活组合使用。

背景与挑战

背景概述

evo-final数据集由wjiaqi团队于2026年创建，旨在为蛋白质复合物的自监督偏好训练提供大规模、多源数据资源。该数据集整合了NVIDIA AF-Multimer严格筛选的异源二聚体与Cong-lab经Boltz验证的人类蛋白质相互作用直系同源物，覆盖Opisthokonta支系内30个物种，包含超过31.6万条训练就绪的偏好对。通过引入跨物种直系同源对齐策略，数据集将物种分歧时间与三种序列一致性指标作为标签，为蛋白质相互作用预测模型的进化偏好学习开辟了新范式。其影响力体现在为AlphaFold等结构预测工具提供了可解释的对比训练基准，推动了计算结构生物学中跨物种保守相互作用的系统性研究。

当前挑战

该数据集面临的核心挑战包括：1) 解决蛋白质复合物结构预测中跨物种直系同源对标注不足的领域难题，传统方法依赖单一物种的共晶结构，而evo-final通过构建偏好对（native vs. chimera）使模型学会区分进化保守的天然互作与人工交换复合物；2) 构建过程中需协调来自NVIDIA与Cong-lab两大异源数据源的质量标准差异，前者基于AF-Multimer的ipSAE和clash指标，后者依赖Boltz的ipTM和pLDDT阈值，多源融合时需通过STRING直系同源签名交集实现一致性配对；3) 跨物种序列比对面临长度异质性挑战，以人源UQCRH（91 aa）与酵母QCR6（135 aa）为例，不同身份度量公式（BLAST型、最小长度型、最大长度型）产生显著差异，需提供多维度标签供下游模型选择。

常用场景

经典使用场景

evo-final数据集专为蛋白质复合物的自监督偏好学习而设计，其核心应用场景在于利用跨物种直系同源关系构建训练样本。通过将经过AlphaFold-Multimer或Boltz验证的天然异源二聚体与对应的人工嵌合体配对，该数据集为模型提供了丰富的偏好信号。研究者可借助其预配置的L4层偏好对数据，直接训练能够区分天然相互作用构象与不合理交叉配对构象的深度学习模型。这为蛋白质-蛋白质相互作用预测领域提供了一种新颖的自我监督训练范式，尤其适用于那些缺乏大量实验标签但渴望捕获进化保守结合模式的场景。

解决学术问题

该数据集系统地解决了蛋白质复合物研究中一个长期存在的难题：如何在没有直接实验标签的条件下，从序列信息中学习保守的相互作用界面。传统方法通常依赖结构生物学实验或大规模对接模拟，而evo-final通过引入直系同源物种间的'交换'策略，构建了天然的偏好标签——真正参与相互作用的蛋白对优于来自不同物种的随机嵌合体。这一设计不仅规避了手工标注的昂贵成本，还天然嵌入了进化约束，使得模型能够学习到跨物种保守的结合规律，从而在缺乏同源结构和序列相似性的情况下，仍能可靠地预测蛋白质复合物的构象偏好。

实际应用

在实际应用中，evo-final驱动的方法可直接服务于药物发现和蛋白质工程领域。例如，在计算虚拟筛选中，利用该数据集训练的偏好模型能够快速评估候选药物分子与靶点蛋白的结合特异性，过滤掉那些由于跨物种或跨家族错误匹配导致的假阳性相互作用。此外，在合成生物学中，设计具有特定结合界面的工程蛋白时，该数据集提供的进化约束可以作为重要指导，帮助研究者从大量可能的突变组合中筛选出那些更可能维持天然构象且不引发脱靶效应的序列变体。其跨源版本还允许整合不同计算生物学平台的结果，提升了预测模型的泛化能力和鲁棒性。

数据集最近研究

最新研究方向

该数据集聚焦于蛋白质复合物结构的自监督偏好学习，通过构建跨物种直系同源交换对（ortholog-aligned swaps）生成偏好数据（preference pairs），为蛋白质复合物结构预测提供了一种新颖的训练范式。结合AlphaFold和Boltz等前沿结构预测工具的输出，数据集融入了BLOSUM62序列一致性度量和TimeTree物种分歧时间标签，使模型能够学习进化保守的相互作用模式。这一方向与蛋白质工程、药物设计中复合物结构优化的热点紧密关联，能够广泛应用于跨物种相互作用推断和功能位点识别，显著提升模型对同源复合物结构偏好性的判别能力，推动计算结构生物学从单结构预测向进化背景下相互作用偏好学习的前沿演进。