SAAINTDB

该数据集是SAAINT-DB抗体重组数据库的精选处理版本，专为机器学习应用而转换为Hugging Face数据集兼容格式。数据集包含来自11,304个PDB结构的21,400个抗体条目，反映了截至2026年2月的可用结构。每个条目对应一个抗体链，使用PDB_ID_chain字段（PDB ID + 链ID）进行唯一标识。数据集按PDB级别划分为训练集（70%）、验证集（15%）和测试集（15%），并基于HL标签（重链/轻链可用性）进行分层以保证分布平衡。预处理步骤包括添加唯一标识列、链可用性标签列，补充缺失的mmCIF和FASTA文件等。数据集提供PDB结构文件、序列数据和丰富的元数据特征（包括突变信息、分类、分辨率、序列长度等），适用于抗体结构表征和抗体-抗原相互作用分析等机器学习任务。This dataset is a curated and processed version of the SAAINT-DB antibody recombination database, converted to a Hugging Face Dataset-compatible format specifically for machine learning applications. It contains 21,400 antibody entries derived from 11,304 PDB structures, reflecting all available structures as of February 2026. Each entry corresponds to a single antibody chain, uniquely identified via the `PDB_ID_chain` field (PDB ID + chain ID). The dataset is split into training (70%), validation (15%), and test (15%) sets at the PDB level, and stratified using HL labels (heavy/light chain availability) to maintain balanced data distribution. Preprocessing steps include adding unique identifier columns, chain availability label columns, and supplementing missing mmCIF and FASTA files, among others. It provides PDB structure files, sequence data, and rich metadata features including mutation information, classification, resolution, sequence length, etc., suitable for machine learning tasks such as antibody structure characterization and antigen-antibody interaction analysis.

原始信息汇总

SAAINTDB 数据集概述

数据集基本信息

• 数据集名称：SAAINTDB
• 数据集简介：该数据集是原始 SAAINT-DB 论文中引入的抗体数据集的精选和处理版本，已转换为与 Hugging Face Datasets 兼容的结构化格式。
• 数据来源：基于 SAAINT-DB，数据源自蛋白质数据库（PDB）结构。
• 数据规模：包含 21,400 个抗体条目，源自 11,304 个 PDB 结构，反映了截至 2026 年 2 月的可用结构。
• 标识方式：每个条目对应一个抗体链，使用 PDB_ID_chain 字段（PDB ID + 链 ID）进行唯一标识。
• 主要用途：适用于抗体结构数据的机器学习和模型评估，特别是涉及抗体链表征和抗体-抗原相互作用分析的任务。
• 许可证：cc-by-4.0
• 语言：en
• 标签：biology, antibody, protein-structure, mmcif, pdb, rosettacommons

数据集结构与划分

• 划分方式：在 PDB 级别按 70/15/15 的比例划分为训练集、验证集和测试集。
• 分层策略：基于 HL 标签（重链/轻链可用性）进行分层，以保持平衡分布。
• 防泄漏措施：所有源自同一 PDB ID 的条目均被分配到同一划分中。
• 划分详情：
  • 训练集：15,033 行，包含 7,649 个唯一的 PDB_ID。
  • 验证集：3,179 行，包含 1,639 个唯一的 PDB_ID。
  • 测试集：3,188 行，包含 1,639 个唯一的 PDB_ID。

数据内容与特征

• 数据格式：数据集以 CSV 文件形式提供，并包含对应的 PDB 结构文件。
• 文件组织：
  • data/ 目录：包含 train.csv、validation.csv、test.csv 三个 CSV 文件。
  • PDB/ 目录：包含按 train/、validation/、test/ 目录组织的 PDB 结构文件。
• 核心特征列：数据集包含 46 个特征列，涵盖以下类别信息：
  • 标识信息：PDB_ID_chain、PDB_ID、Title。
  • 结构信息：Method、Resolution、R_free、R_work。
  • 序列信息：H_fas_seq、L_fas_seq、H_filled_pdb_seq、L_filled_pdb_seq 及相关长度特征。
  • 分类信息：Classification、Ab_type、H_subgroup、L_subgroup。
  • 链信息：H_chain_ID、L_chain_ID、hl_label、Asym_ID_type。
  • 物种与分子信息：H_species、L_species、H_mol_name、L_mol_name。
  • 抗原信息：Ag_chain_ID(s)、Ag_type(s)、Ag_mol_name(s)、Ag_species。
  • 相互作用信息：Ab_ag_inf_res_num、CDR_inf_res_num、CDR_inf_res_ratio、HL_inf_res_num。
  • 日期与引用：Deposit_date、Release_date、PMID、DOI。
  • 处理信息：Mutation(s)、Model_index、split。
  • 几何特征：H_mean_radius、L_mean_radius。

数据处理流程

1. 添加 PDB_ID_chain 列以唯一标识每个抗体条目。
2. 添加 hl_label 列以指示链的可用性（HL、H_only、L_only），用于平衡数据集划分。
3. 从 RCSB 蛋白质数据库（PDB）下载了 111 个缺失的 mmCIF 文件，并更新了数据集以反映截至 2026 年 2 月的可用结构。
4. 生成并添加了与下载的 CIF 结构对应的 FASTA 文件。
5. 将数据集划分为训练集、验证集和测试集（70/15/15）。
6. 添加 split 列以指示分配的划分（train、validation 或 test）。
7. 处理后的数据集按上述文件结构进行组织。
8. 原始数据集文件 saaintdb_20260226_all.tsv 已转换为 CSV 格式（saaintdb_raw_data_20260226.csv）以便于处理。

使用方式

• 加载库：使用 Hugging Face datasets 库进行加载。
• 加载命令：SAAINTDB = datasets.load_dataset(RosettaCommons/SAAINTDB)
• 加载结果：返回一个包含 train、validation、test 三个键的 DatasetDict 对象，每个都是一个 Dataset，具有上述 46 个特征列。
• 数据访问：支持直接列访问、转换为 pandas.DataFrame 或 parquet 格式。

注意事项

• 某些 PDB 包含多个抗体，因此 PDB 文件数量少于数据条目数量。
• 在 Google Sheets 或 Microsoft Excel 中打开 CSV 文件时，PDB_ID 列可能会自动转换为科学计数法。

引用信息

• 论文标题：SAAINT-DB: a comprehensive structural antibody database for antibody modeling and design
• 期刊：Acta Pharmacologica Sinica
• 卷期：46, 12
• 页码：3365–3375
• 出版年份：2025
• 月份：6月
• DOI：https://doi.org/10.1038/s41401-025-01608-5
• 引用 BibTeX：

@article{Huang2025, title = {SAAINT-DB: a comprehensive structural antibody database for antibody modeling and design}, volume = {46}, ISSN = {1745-7254}, url = {http://dx.doi.org/10.1038/s41401-025-01608-5}, DOI = {10.1038/s41401-025-01608-5}, number = {12}, journal = {Acta Pharmacologica Sinica}, publisher = {Springer Science and Business Media LLC}, author = {Huang, Xiaoqiang and Zhou, Jun and Chen, Shuang and Xia, Xiaofeng and Chen, Y. Eugene and Xu, Jie}, year = {2025}, month = jun, pages = {3365–3375} }

搜集汇总

数据集介绍

构建方式

在结构生物学领域，抗体数据库的构建对于理解免疫识别机制至关重要。SAAINTDB数据集源自SAAINT-DB论文，经过系统化处理，转化为适用于机器学习应用的结构化格式。其构建过程包括从11,304个PDB结构中提取21,400个抗体条目，并添加唯一标识符PDB_ID_chain以区分同一结构中的不同抗体链。为确保数据完整性，缺失的mmCIF文件从RCSB蛋白质数据库下载并补充，同时生成对应的FASTA序列文件。数据集按照PDB级别进行分层划分，依据重链和轻链的可用性标签实现平衡分配，有效避免了数据泄露问题。

特点

该数据集在抗体结构研究领域展现出显著特色，其核心在于整合了多维度的生物信息。数据集不仅包含丰富的结构文件，还提供了详细的元数据，如抗体类型、亚组分类、物种来源以及抗原相互作用信息。每个条目均标注了重链和轻链的序列长度、平均半径等结构参数，并特别标注了互补决定区（CDR）的残基信息，为抗体-抗原相互作用分析提供了关键数据支撑。数据集的划分策略确保了训练、验证和测试集在链类型分布上的均衡性，增强了机器学习模型评估的可靠性。

使用方法

针对机器学习在抗体工程中的应用需求，SAAINTDB数据集提供了便捷的访问方式。用户可通过Hugging Face Datasets库直接加载数据集，获得包含训练、验证和测试三个子集的DatasetDict对象。数据集以列导向格式组织，支持直接访问特定字段，并可轻松转换为pandas DataFrame或Parquet格式以适配不同分析流程。结合提供的PDB结构文件和FASTA序列，研究者能够开展从序列分析到结构预测的综合研究，特别适用于抗体表征和相互作用建模等任务。使用时需注意避免电子表格软件对PDB_ID列的科学记数法转换，以确保数据准确性。

背景与挑战

背景概述

抗体作为生物医学领域的关键分子，其结构解析与功能设计一直是计算生物学的前沿课题。SAAINTDB数据集由黄晓强等研究人员于2025年构建，并发表于《中国药理学报》，旨在为抗体建模与设计提供一个全面的结构数据库。该数据集整合了来自11,304个蛋白质数据库结构的21,400个抗体条目，涵盖了丰富的结构、序列及互作信息，显著推动了抗体工程与人工智能交叉领域的发展，为机器学习模型训练提供了标准化、高质量的结构数据基础。

当前挑战

在抗体结构预测与设计领域，核心挑战在于准确建模抗体的高变区构象及其与抗原的特异性结合。SAAINTDB数据集致力于解决这一复杂问题，但其构建过程亦面临多重困难：原始数据中部分PDB结构文件缺失，需从RCSB数据库补充下载并生成对应FASTA序列；为确保数据划分的平衡性与避免泄露，需依据重链与轻链的完整性进行分层抽样，并将同一PDB来源的所有条目归入同一分割，这增加了数据预处理的复杂度。

常用场景

经典使用场景

在抗体工程与计算生物学领域，SAAINTDB数据集为机器学习模型提供了丰富的结构数据基础。该数据集整合了来自11,304个PDB结构的21,400个抗体条目，包含完整的序列、结构及元数据信息。其经典应用场景集中于抗体结构预测与设计，研究人员可利用其训练深度学习模型，以准确预测抗体的三维构象、识别互补决定区（CDR）的构象变化，并优化抗体-抗原相互作用的亲和力与特异性。数据集的分层划分策略确保了模型评估的严谨性，为抗体理性设计提供了可靠的基准平台。

实际应用

在生物医药研发的实际场景中，SAAINTDB数据集为新药发现提供了重要支持。制药企业可利用该数据集训练AI模型，快速筛选具有潜在治疗效能的抗体候选分子，缩短抗体药物的早期开发周期。在疫苗设计领域，数据集有助于解析抗体与病毒抗原的相互作用模式，指导广谱中和抗体的理性设计。此外，该资源还可用于开发诊断试剂中的高特异性抗体，提升检测的灵敏度与准确性，推动精准医疗与个性化治疗的发展。

衍生相关工作

基于SAAINTDB数据集，一系列经典研究工作得以展开。例如，研究人员开发了端到端的抗体结构预测神经网络，利用数据集的序列与结构对齐信息实现了高精度建模。另有工作聚焦于抗体-抗原对接的强化学习框架，通过数据集中的相互作用残基数据优化结合自由能计算。此外，该数据集还支撑了抗体语言模型的预训练，使其能够生成具有特定结合特性的新型抗体序列。这些衍生工作共同推动了抗体计算设计领域的算法创新与工具发展。