vladak/bindingdb

BindingDB处理数据集，从BindingDB数据库中衍生而来，包含配体、蛋白质以及它们之间的结合强度（IC50值）。数据集分为训练集和测试集，可用于化学信息学和生物信息学相关的研究和模型训练。

Processed BindingDB dataset derived from the BindingDB database, containing ligands, proteins, and their binding affinities (IC50 values). The dataset is split into training and test sets, suitable for research and model training in cheminformatics and bioinformatics.

搜集汇总

数据集介绍

构建方式

在药物发现与生物信息学领域，高质量的结合亲和力数据是构建预测模型的基础。vladak/bindingdb数据集源自权威的BindingDB数据库，具体从BindingDB_All_2D_202503_sdf.zip文件中提取并处理而成。构建流程通过公开的GitHub代码仓库实现，将原始分子结构数据转化为结构化的三元组形式，每条记录包含配体分子字符串、蛋白质序列以及对应的IC50抑制常数，从而为蛋白质-配体相互作用研究提供了标准化的数据支撑。

特点

该数据集以其大规模和高质量的特性脱颖而出。整体包含超过120万条样本，其中训练集拥有972,285条记录，测试集包含243,072条记录，数据总量约为711 MB。每个样本均由配体化学表示、蛋白质序列和浮点型IC50值三要素构成，这种简洁而完整的结构便于直接用于深度学习模型的训练与评估。数据集基于明确的科学指标IC50构建，确保了生物活性信息的可量化性与可复现性。

使用方法

数据集通过HuggingFace Datasets库进行便捷加载，采用默认配置即可自动获取训练与测试分片。用户可使用load_dataset函数直接调用vladak/bindingdb，框架会自动处理数据分片的合并与格式转换。每条数据中的ligand和protein字段为字符串类型，ic50为浮点数值，适用于构建回归或分类模型来预测结合亲和力。此外，数据集的分割已预定义，无需额外划分，可直接用于监督学习任务的模型开发与性能验证。

背景与挑战

背景概述

在药物发现与分子生物学领域，蛋白质-配体相互作用的精确预测是理解生物过程机制、加速新药研发的核心环节。BindingDB数据集作为该领域的重要公共资源，由多位研究人员依托于马里兰大学等机构持续维护与更新，其最新版本（2025年3月）收录了超过120万条结合亲和力数据，涵盖广泛的蛋白质靶标与有机小分子配体。该数据集的核心研究问题在于通过实验测定的抑制常数（IC50）等指标，为机器学习模型提供训练与评估的基础，从而推动基于结构的药物设计、虚拟筛选以及分子对接等方向的发展。自创建以来，BindingDB已成为计算化学与生物信息学领域广泛引用的基准数据集，显著促进了深度学习模型在药物-靶标结合预测中的性能提升。

当前挑战

当前BindingDB数据集面临的核心挑战包括多个层面。在领域问题层面，尽管数据规模庞大，但实验测定的IC50值存在显著的测量误差与批次效应，不同实验室条件下的数据一致性难以保证，这为构建高精度预测模型带来噪声干扰。此外，数据集中蛋白质与配体的化学空间分布极不均衡，热门靶标（如激酶）拥有大量数据，而大量孤儿靶标的数据稀疏，导致模型泛化能力受限。在构建过程层面，从原始SDF文件中提取并标准化配体与蛋白质的表示格式（如SMILES与氨基酸序列）时，需处理结构异构、电荷状态及立体化学等复杂化学信息，任何预处理偏差都会影响下游建模的准确性。同时，数据集的划分策略（如训练集与测试集）若未充分考虑时间序列或结构相似性，容易引发数据泄露，高估模型的实际预测能力。

常用场景

经典使用场景

在药物发现与分子生物学的交叉领域中，BindingDB数据集作为大规模蛋白质-配体相互作用数据库，其经典应用场景在于构建和评估分子对接与亲和力预测模型。研究人员利用该数据集中的配体SMILES表示、蛋白质序列以及对应的IC50值，训练深度学习模型以捕捉分子结构与生物活性之间的复杂映射关系。这一场景尤其适用于基于结构的药物设计，通过图神经网络或Transformer架构学习蛋白质-配体结合模式，从而高效筛选潜在候选化合物。

解决学术问题

该数据集有效解决了药物研发中高通量筛选成本高昂且效率低下的核心学术难题。传统实验测定IC50值耗时费力，而BindingDB提供了超过120万条高质量、标准化的结合亲和力数据，使得机器学习模型能够从化学空间和蛋白质序列中学习普适性的结合规律。这推动了定量构效关系（QSAR）研究从单一靶标向多靶标、多模态预测的范式转变，显著提升了虚拟筛选的准确性与可解释性。

衍生相关工作

该数据集催生了多项里程碑式研究，例如基于图注意力机制的BindingDB预测模型（如DGraphDTA）以及融合序列与结构信息的ProtBERT方案。此外，在分子生成领域，研究人员利用BindingDB训练条件变分自编码器，生成具有特定亲和力分布的新型配体分子。这些工作不仅验证了数据集的可靠性，还推动了蛋白质-配体相互作用预测从单一回归任务向多任务联合学习的演进，成为计算药物设计领域的基准测试平台。