jglaser/pdbbind_complexes

该数据集包含超过16,000对独特的蛋白质序列和配体SMILES，以及它们复合物的坐标。SMILES通过P. Schwaller的正则表达式进行标记化。每个配体坐标(x,y,z)映射到一个SMILES标记，如果标记不代表原子，则为*nan*。每个受体坐标映射到该残基的Calpha坐标。数据集可用于微调语言模型，所有数据来自PDBind-cn。

原始信息汇总

数据集概述

数据内容

• 包含超过16,000对独特的蛋白质序列和配体SMILES，以及它们复合物的坐标。
• SMILES通过P. Schwaller的正则表达式进行标记化。
• 每个(x,y,z)配体坐标映射到一个SMILES标记，如果标记不代表原子，则为nan。
• 每个受体坐标映射到该残基的Calpha坐标。

数据来源

• 所有数据来自PDBind-cn。

使用方法

加载预处理数据

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

手动预处理

• 从PDBind-cn下载数据集：
  • 注册并登录https://www.pdbbind.org.cn/。
  • 下载以下文件：
    1. Index文件
    2. 通用蛋白质-配体复合物
    3. 精细蛋白质-配体复合物
  • 在pdbbind/data目录中解压这些文件。
  • 在启用了MPI的集群上运行脚本pdbbind.py，例如： bash mpirun -n 64 pdbbind.py