THU-ATOM/GenomeScreenDB

GenomeScreen是迄今为止最大、最全面的全基因组虚拟筛选数据集，包含超过200万个针对约10000个人类蛋白质的20000多个结合口袋的潜在药物靶点。这个数据集是通过前所未有的10万亿个蛋白质-配体打分操作生成的，几乎覆盖了人类基因组的一半。

GenomeScreen is the first comprehensive genome-wide virtual screening dataset for human proteins, containing over 2 million potential drug hits targeting >20,000 binding pockets across ~10,000 human proteins. This dataset was generated through an unprecedented 10 trillion protein-ligand scoring operations, covering nearly half of the human genome.

搜集汇总

数据集介绍

构建方式

GenomeScreenDB是首个覆盖人类全蛋白质组的虚拟筛选数据集，由清华大学团队精心构建。该数据集基于AlphaFold2预测的约10,000个人类蛋白质结构，识别出超过20,000个潜在结合口袋，并利用DrugCLIP对比学习模型对超过5亿个小分子进行高通量虚拟筛选。通过执行约10万亿次蛋白质-配体打分运算，最终从每个口袋的排名前10,000个分子中聚类选取代表性配体，累积获得超过200万个潜在药物先导化合物。数据以PDB格式的蛋白质结构、SMILES表示的配体分子以及对接网格坐标文件形式存储，为基因组规模的药物发现提供了前所未有的资源。

特点

GenomeScreenDB的核心特点在于其前所未有的规模与全面性，覆盖了人类基因组近半数的蛋白质，突破了传统虚拟筛选局限于单一靶点的瓶颈。每个蛋白质口袋均提供基于模板对齐或构象生成的精细化结构文件，确保了对接计算的准确性。数据集采用分层结构组织，按靶标域口袋分类，并附有对接网格中心坐标（grid.in文件）和代表分子列表（leader.csv），便于直接用于分子对接或机器学习模型的训练与验证。其开源许可（CC-BY 4.0）和交互式数据门户进一步促进了科学社区的广泛使用与协作。

使用方法

研究人员可通过HuggingFace平台直接下载GenomeScreenDB数据集，或访问配套的数据门户（https://drug-the-whole-genome.yanyanlan.com）进行交互式浏览与查询。使用时可加载每个靶标域口袋文件夹中的conformer.pdbgz文件获取蛋白质结构，结合grid.in中的网格坐标进行分子对接重计算。leader.csv文件提供了经DrugCLIP排序和聚类后的代表性分子SMILES，适用于后续的分子动力学模拟、结合自由能计算或药效团建模。数据集还提供了完整的GitHub仓库（THU-ATOM/Drug-The-Whole-Genome）和技术支持，方便用户复现筛选流程或进行定制化分析。

背景与挑战

背景概述

在药物发现领域，虚拟筛选作为从海量化合库中识别潜在先导化合物的关键技术，长期受限于靶点蛋白结构覆盖不全与计算效率低下的瓶颈。2024年，清华大学蓝艳燕教授团队联合多个研究机构，基于AlphaFold2预测的近万个人类蛋白质结构，构建了首个全基因组虚拟筛选数据集GenomeScreen。该数据集由贾寅君、高博文等研究人员主导，依托超过10万亿次蛋白-配体打分运算，覆盖了约20,000个结合口袋，并识别出逾200万个潜在药物靶点。这一开创性工作不仅将虚拟筛选的靶点范围从传统数百个扩展至人类蛋白质组的近半壁江山，更通过深度对比学习算法DrugCLIP实现了高效精准的分子排序，为基因组尺度的药物靶点发现奠定了数据基础，对加速新药研发与理解蛋白质-配体相互作用网络具有里程碑意义。

当前挑战

GenomeScreen面临的核心挑战首先在于领域层面：传统虚拟筛选方法通常仅针对少量已知结构的靶点蛋白，难以应对人类基因组中大量未表征蛋白质的配体识别任务，而该数据集虽覆盖广泛，但基于AlphaFold2预测的结构可能存在局部构象偏差，影响结合口袋的准确性与后续筛选的可靠性。其次，构建过程中需应对技术挑战：处理超过5亿个分子与万个蛋白质之间的配对打分，涉及10万亿次运算，对计算资源与算法效率提出极高要求；同时，从海量打分结果中通过聚类与排序筛选出代表性候选分子，需平衡计算复杂度与化学多样性，避免遗漏关键活性化合物。此外，数据集的标准化存储与跨平台可复现性也是确保其广泛应用的重要障碍。

常用场景

经典使用场景

GenomeScreen作为首个覆盖人类蛋白质组近半规模的虚拟筛选数据集，其经典使用场景在于为基于结构的药物发现提供大规模先导化合物挖掘平台。研究者可借助该数据集对约10,000个人类蛋白质的超过20,000个结合位点进行高通量对接分析，从逾5亿个小分子中快速锁定潜在药物候选物。这一资源特别适用于针对缺乏已知配体的孤儿受体或新近通过AlphaFold2解析的结构靶点，开展系统性的药物重定位与从头药物设计工作。

解决学术问题

该数据集从根本上解决了传统虚拟筛选在基因组尺度上面临的计算瓶颈与数据碎片化问题。通过整合10万亿次蛋白-配体打分运算结果，GenomeScreen使学术界得以首次系统性地探索人类蛋白质组中未被开发的药物靶点空间，揭示了大量此前因缺乏结构信息或配体数据而被忽视的潜在治疗靶标。其意义在于为化学生物学与药物化学领域提供了一个标准化的基准平台，推动了从单靶点研究向全基因组药物发现范式的转变。

衍生相关工作

基于GenomeScreen数据集已衍生出多项具有影响力的研究工作，其中最核心的是配套提出的Deep Contrastive Learning方法，该方法通过对比学习框架实现了对海量虚拟筛选结果的高效重排序与活性预测。此外，该数据集催生了一系列针对特定蛋白质家族（如G蛋白偶联受体、激酶和离子通道）的亚基因组筛选基准，以及结合图神经网络与几何深度学习的结合亲和力预测模型。这些衍生工作共同构建了一个从数据生成到模型评估的完整生态系统，为人工智能驱动的药物发现领域树立了新的标杆。