hugging-science/boughter-antibody-polyreactivity

该数据集包含914个抗体重链可变区（VH）序列，带有二元多反应性标签，预处理方法遵循Sakhnini等人2025年（诺和诺德和剑桥大学）描述的方法。数据集最初由Boughter等人2020年发布，包含小鼠抗体，通过ELISA方法测量对4-7种抗原的多反应性（常见的抗原有DNA、胰岛素、LPS、鞭毛蛋白、白蛋白、心磷脂、KLH）。这是用于训练ESM-1v + Logistic Regression模型预测抗体非特异性的预处理版本。关键特征包括：生物体为小鼠（Mus musculus），分子类型为抗体重链可变区（VH），检测方法为ELISA多反应性面板（4-7种抗原），标签为二元分类（0=特异性，1=非特异性/多反应性），注释使用ANARCI和IMGT编号方案，数据集平衡良好（48.5%特异性，51.5%非特异性）。数据集支持二元分类任务，用于从序列预测抗体多反应性/非特异性，基准测试为诺和诺德对等基准（71%的10倍交叉验证准确率）。数据集的语言为蛋白质序列（氨基酸字母表）。

This dataset contains 914 antibody heavy chain variable domain (VH) sequences with binary polyreactivity labels, preprocessed according to the methodology described in Sakhnini et al. 2025 (Novo Nordisk & University of Cambridge). The dataset was originally published by Boughter et al. 2020 and contains mouse antibodies with ELISA-based polyreactivity measurements against a panel of 4–7 antigens (commonly described as: DNA, insulin, LPS, flagellin, albumin, cardiolipin, KLH). This is the preprocessed version used for training the ESM-1v + Logistic Regression model that predicts antibody non-specificity. Key features include: Organism is Mouse (Mus musculus), Molecule Type is Antibody heavy chain variable domain (VH), Assay is ELISA polyreactivity panel (4–7 antigens), Labels are Binary classification (0 = specific, 1 = non-specific/polyreactive), Annotation is ANARCI with IMGT numbering scheme, Balance is well-balanced (48.5% specific, 51.5% non-specific). The dataset supports Binary Classification task for predicting antibody polyreactivity/non-specificity from sequence, Benchmark is Novo Nordisk parity benchmark (71% 10-fold CV accuracy). Languages are Protein sequences (amino acid alphabet).

搜集汇总

数据集介绍

构建方式

该数据集源自Boughter等人2020年发布的六类小鼠抗体库，原始序列共计1171条，涵盖流感反应性、HIV相关及小鼠IgA等亚群。为确保标签的清晰性与模型训练的鲁棒性，Novo Nordisk团队依据Sakhnini等人2025年提出的预处理流程，对原始数据进行了严格的逐步筛选：首先通过DNA翻译将核苷酸序列转化为蛋白质序列，随后运用ANARCI工具基于IMGT编号方案进行注释，并剔除CDR区域含有模糊氨基酸或空CDR的序列。最终，仅保留ELISA多反应性检测中0个阳性标志（特异性）与4个及以上阳性标志（非特异性）的抗体序列，而将介于1至3个标志的中间态样本排除，由此构建出包含914条抗体重链可变区序列的平衡数据集。

特点

该数据集的核心特点在于其明确的二元分类标签与严格的生物学筛选标准，每个样本由一条IMGT注释的抗体VH氨基酸序列及其对应的特异性（标签0）或多反应性（标签1）标识组成。数据集在类别分布上呈现出良好的平衡性，特异性与多反应性样本分别占48.5%和51.5%，有效避免了类别失衡对模型训练的干扰。此外，所有序列均来源于小鼠，且仅包含重链可变区信息，这为聚焦于抗体序列与多反应性之间关联的研究提供了纯净的输入空间。基于ELISA面板对七种生化性质各异的抗原（如DNA、胰岛素、脂多糖等）的检测结果，确保了标签的生物学相关性。

使用方法

该数据集专为基于序列的抗体多反应性二元分类任务而设计，用户可直接加载Hugging Face平台上的数据仓库，获取包含'sequence'和'label'字段的训练集。在模型构建中，推荐采用蛋白质语言模型（如ESM-1v）对氨基酸序列进行嵌入编码，随后结合逻辑回归或类似分类器进行预测，该范式在Novo Nordisk的基准测试中已实现约71%的十折交叉验证准确率。使用时需注意，数据集中未提供CDR边界注释，用户可借助ANARCI工具自行标注框架区与互补决定区；同时，由于样本量较小（914条），深度学习模型可能需要额外的正则化或迁移学习策略来防止过拟合。

背景与挑战

背景概述

抗体多反应性（polyreactivity）是治疗性抗体开发中面临的关键障碍，指抗体能够与多种结构无关的抗原发生非特异性结合，从而引发药代动力学异常、组织损伤甚至免疫毒性。该数据集由Boughter等人于2020年在eLife期刊首次发布，依托芝加哥大学研究团队，基于小鼠抗体库和ELISA多抗原检测平台，系统评估了抗体可变区重链（VH）序列与多反应性之间的关联。随后，Novo Nordisk与剑桥大学的Sakhnini等人于2025年提出了标准化的预处理流程，将原始数据精炼为914条高质量序列，并引入ESM-1v蛋白质语言模型结合逻辑回归进行预测，实现了约71%的十折交叉验证准确率。该数据集为抗体可开发性预测提供了关键基准，推动了计算免疫学与治疗性抗体筛选的交叉融合。

当前挑战

该数据集面临的核心挑战在于：其一，抗体多反应性预测的领域难题——多反应性机制涉及复杂的热力学与结构特征，仅依赖单一VH序列难以全面捕获轻重链协同效应和构象动态，且ELISA检测的抗原面板虽涵盖七种生化多样性分子，仍无法穷尽体内所有潜在脱靶相互作用。其二，数据构建过程中的局限性——原始数据来源于小鼠，物种差异可能限制向人类或人源化抗体的泛化能力；预处理阶段剔除了1至3个ELISA阳性标记的中间态样本，虽强化了二分类边界，却丧失了边缘案例的潜在信息；此外，914条序列的规模对于深度学习模型而言明显不足，易导致过拟合与泛化性能下降。

常用场景

经典使用场景

该数据集最经典的使用场景在于基于抗体重链可变区（VH）序列进行多反应性（polyreactivity）二分类预测。研究者利用914条经IMGT编号注释的小鼠抗体序列，结合ELISA多抗原检测体系（涵盖DNA、胰岛素、LPS、鞭毛蛋白、白蛋白、心磷脂及KLH等生化多样性抗原）所定义的标签，通过蛋白质语言模型（如ESM-1v）提取序列嵌入特征，并训练逻辑回归分类器，以判别抗体是特异性（0个ELISA阳性标志）还是非特异性（4个及以上阳性标志）。这一范式为抗体序列-功能关系建模提供了标准化基准。

实际应用

在实际应用中，该数据集直接服务于治疗性抗体候选分子的早期可开发性筛选。制药企业与生物技术公司可将其预训练的分类模型整合至抗体发现管线，在体外实验前对数千条虚拟抗体序列进行快速多反应性风险评估，从而优先推进低风险候选分子进入湿实验验证。此外，该数据集所采用的预处理流程（如ANARCI注释与Novo Nordisk标志策略）已成为工业界抗体序列质量控制的参考标准，有效缩短了从靶点发现到先导化合物优化的研发周期。

衍生相关工作

基于该数据集衍生的经典工作包括Sakhnini等人（2025）提出的ESM-1v嵌入结合逻辑回归的预测方法，在10折交叉验证中达到71%的准确率，成为抗体非特异性预测的基准模型。此外，Boughter等人（2020）通过生物信息学分析揭示了CDR环区中特定氨基酸偏好与多反应性的关联，为后续基于物理化学参数的特征工程提供了理论依据。这些工作共同催生了将蛋白质语言模型与生物物理特征融合的混合建模流派，推动了抗体可开发性预测领域的快速发展。