jglaser/protein_ligand_contacts

该数据集包含超过16,000对独特的蛋白质序列和配体SMILES，这些数据对包含了实验确定的结合亲和力和蛋白质-配体接触信息。数据集用于微调语言模型，并且所有数据均来自PDBind-cn。接触信息在四个不同的截止距离（5、8、11A和15A）下计算。

原始信息汇总

数据集概述

数据集内容

• 包含超过16,000对独特的蛋白质序列和配体SMILES，以及实验确定的结合亲和力和蛋白质-配体接触信息。
• 数据以稀疏序列x smiles tokens（2048x512）矩阵的形式表示，其中非零元素的位置被列出。
• 数据集的首尾元素分别对应于[CLS]和[SEP]，并被填充为零。

数据集用途

• 适用于微调语言模型。

数据来源

• 数据仅来自PDBind-cn。

接触距离

• 接触计算在四个截止距离：5, 8, 11A和15A。

数据加载

• 使用datasets库加载训练和验证集： python from datasets import load_dataset train = load_dataset("jglaser/protein_ligand_contacts",split=train[:90%]) validation = load_dataset("jglaser/protein_ligand_contacts",split=train[90%:])

数据预处理

• 手动预处理需要从PDBind-cn下载数据集，并执行以下步骤：
  • 注册并登录https://www.pdbbind.org.cn/下载索引文件、通用蛋白质-配体复合物和精细蛋白质-配体复合物。
  • 将下载的文件解压至pdbbind/data目录。
  • 运行pdbbind.py脚本进行计算处理。
  • 按照pdbbind.ipynb笔记本中的步骤进行操作。