graph-transformers/pinder

---
dataset_info:
features:
- name: id
dtype: string
- name: cluster_id
dtype: string
- name: pdb_id
dtype: string
- name: complex
dtype:
protein_atom_array_feature:
residue_dictionary:
residue_names:
- ALA
- ARG
- ASN
- ASP
- CYS
- GLN
- GLU
- GLY
- HIS
- ILE
- LEU
- LYS
- MET
- PHE
- PRO
- SER
- THR
- TRP
- TYR
- VAL
- UNK
residue_types:
- A
- R
- N
- D
- C
- Q
- E
- G
- H
- I
- L
- K
- M
- F
- P
- S
- T
- W
- Y
- V
- X
atom_types:
- N
- CA
- C
- CB
- O
- CG
- CG1
- CG2
- OG
- OG1
- SG
- CD
- CD1
- CD2
- ND1
- ND2
- OD1
- OD2
- SD
- CE
- CE1
- CE2
- CE3
- NE
- NE1
- NE2
- OE1
- OE2
- CH2
- NH1
- NH2
- OH
- CZ
- CZ2
- CZ3
- NZ
- OXT
residue_atoms:
ALA:
- N
- CA
- C
- O
- CB
ARG:
- N
- CA
- C
- O
- CB
- CG
- CD
- NE
- CZ
- NH1
- NH2
ASP:
- N
- CA
- C
- O
- CB
- CG
- OD1
- OD2
ASN:
- N
- CA
- C
- O
- CB
- CG
- OD1
- ND2
CYS:
- N
- CA
- C
- O
- CB
- SG
SEC:
- N
- CA
- C
- O
- CB
- SE
GLU:
- N
- CA
- C
- O
- CB
- CG
- CD
- OE1
- OE2
GLN:
- N
- CA
- C
- O
- CB
- CG
- CD
- OE1
- NE2
GLY:
- N
- CA
- C
- O
HIS:
- N
- CA
- C
- O
- CB
- CG
- ND1
- CE1
- NE2
- CD2
ILE:
- N
- CA
- C
- O
- CB
- CG1
- CG2
- CD1
LEU:
- N
- CA
- C
- O
- CB
- CG
- CD1
- CD2
LYS:
- N
- CA
- C
- O
- CB
- CG
- CD
- CE
- NZ
MET:
- N
- CA
- C
- O
- CB
- CG
- SD
- CE
MSE:
- N
- CA
- C
- O
- CB
- CG
- SE
- CE
PHE:
- N
- CA
- C
- O
- CB
- CG
- CD1
- CD2
- CE1
- CE2
- CZ
PRO:
- N
- CA
- C
- O
- CB
- CG
- CD
SER:
- N
- CA
- C
- O
- CB
- OG
THR:
- N
- CA
- C
- O
- CB
- OG1
- CG2
TRP:
- N
- CA
- C
- O
- CB
- CG
- CD1
- NE1
- CE2
- CD2
- CE3
- CZ2
- CZ3
- CH2
TYR:
- N
- CA
- C
- O
- CB
- CG
- CD1
- CD2
- CE1
- CE2
- CZ
- OH
VAL:
- N
- CA
- C
- O
- CB
- CG1
- CG2
UNK:
- N
- CA
- C
- O
backbone_atoms:
- N
- CA
- C
- O
unknown_residue_name: UNK
conversions:
- residue: MSE
to_residue: MET
atom_swaps:
- - SE
- SD
- residue: SEC
to_residue: CYS
atom_swaps:
- - SE
- SG
with_res_id: true
- name: apo_receptor
dtype:
protein_atom_array_feature:
residue_dictionary:
residue_names:
- ALA
- ARG
- ASN
- ASP
- CYS
- GLN
- GLU
- GLY
- HIS
- ILE
- LEU
- LYS
- MET
- PHE
- PRO
- SER
- THR
- TRP
- TYR
- VAL
- UNK
residue_types:
- A
- R
- N
- D
- C
- Q
- E
- G
- H
- I
- L
- K
- M
- F
- P
- S
- T
- W
- Y
- V
- X
atom_types:
- N
- CA
- C
- CB
- O
- CG
- CG1
- CG2
- OG
- OG1
- SG
- CD
- CD1
- CD2
- ND1
- ND2
- OD1
- OD2
- SD
- CE
- CE1
- CE2
- CE3
- NE
- NE1
- NE2
- OE1
- OE2
- CH2
- NH1
- NH2
- OH
- CZ
- CZ2
- CZ3
- NZ
- OXT
residue_atoms:
ALA:
- N
- CA
- C
- O
- CB
ARG:
- N
- CA
- C
- O
- CB
- CG
- CD
- NE
- CZ
- NH1
- NH2
ASP:
- N
- CA
- C
- O
- CB
- CG
- OD1
- OD2
ASN:
- N
- CA
- C
- O
- CB
- CG
- OD1
- ND2
CYS:
- N
- CA
- C
- O
- CB
- SG
SEC:
- N
- CA
- C
- O
- CB
- SE
GLU:
- N
- CA
- C
- O
- CB
- CG
- CD
- OE1
- OE2
GLN:
- N
- CA
- C
- O
- CB
- CG
- CD
- OE1
- NE2
GLY:
- N
- CA
- C
- O
HIS:
- N
- CA
- C
- O
- CB
- CG
- ND1
- CE1
- NE2
- CD2
ILE:
- N
- CA
- C
- O
- CB
- CG1
- CG2
- CD1
LEU:
- N
- CA
- C
- O
- CB
- CG
- CD1
- CD2
LYS:
- N
- CA
- C
- O
- CB
- CG
- CD
- CE
- NZ
MET:
- N
- CA
- C
- O
- CB
- CG
- SD
- CE
MSE:
- N
- CA
- C
- O
- CB
- CG
- SE
- CE
PHE:
- N
- CA
- C
- O
- CB
- CG
- CD1
- CD2
- CE1
- CE2
- CZ
PRO:
- N
- CA
- C
- O
- CB
- CG
- CD
SER:
- N
- CA
- C
- O
- CB
- OG
THR:
- N
- CA
- C
- O
- CB
- OG1
- CG2
TRP:
- N
- CA
- C
- O
- CB
- CG
- CD1
- NE1
- CE2
- CD2
- CE3
- CZ2
- CZ3
- CH2
TYR:
- N
- CA
- C
- O
- CB
- CG
- CD1
- CD2
- CE1
- CE2
- CZ
- OH
VAL:
- N
- CA
- C
- O
- CB
- CG1
- CG2
UNK:
- N
- CA
- C
- O
backbone_atoms:
- N
- CA
- C
- O
unknown_residue_name: UNK
conversions:
- residue: MSE
to_residue: MET
atom_swaps:
- - SE
- SD
- residue: SEC
to_residue: CYS
atom_swaps:
- - SE
- SG
with_res_id: true
- name: apo_ligand
dtype:
protein_atom_array_feature:
residue_dictionary:
residue_names:
- ALA
- ARG
- ASN
- ASP
- CYS
- GLN
- GLU
- GLY
- HIS
- ILE
- LEU
- LYS
- MET
- PHE
- PRO
- SER
- THR
- TRP
- TYR
- VAL
- UNK
residue_types:
- A
- R
- N
- D
- C
- Q
- E
- G
- H
- I
- L
- K
- M
- F
- P
- S
- T
- W
- Y
- V
- X
atom_types:
- N
- CA
- C
- CB
- O
- CG
- CG1
- CG2
- OG
- OG1
- SG
- CD
- CD1
- CD2
- ND1
- ND2
- OD1
- OD2
- SD
- CE
- CE1
- CE2
- CE3
- NE
- NE1
- NE2
- OE1
- OE2
- CH2
- NH1
- NH2
- OH
- CZ
- CZ2
- CZ3
- NZ
- OXT
residue_atoms:
ALA:
- N
- CA
- C
- O
- CB
ARG:
- N
- CA
- C
- O
- CB
- CG
- CD
- NE
- CZ
- NH1
- NH2
ASP:
- N
- CA
- C
- O
- CB
- CG
- OD1
- OD2
ASN:
- N
- CA
- C
- O
- CB
- CG
- OD1
- ND2
CYS:
- N
- CA
- C
- O
- CB
- SG
SEC:
- N
- CA
- C
- O
- CB
- SE
GLU:
- N
- CA
- C
- O
- CB
- CG
- CD
- OE1
- OE2
GLN:
- N
- CA
- C
- O
- CB
- CG
- CD
- OE1
- NE2
GLY:
- N
- CA
- C
- O
HIS:
- N
- CA
- C
- O
- CB
- CG
- ND1
- CE1
- NE2
- CD2
ILE:
- N
- CA
- C
- O
- CB
- CG1
- CG2
- CD1
LEU:
- N
- CA
- C
- O
- CB
- CG
- CD1
- CD2
LYS:
- N
- CA
- C
- O
- CB
- CG
- CD
- CE
- NZ
MET:
- N
- CA
- C
- O
- CB
- CG
- SD
- CE
MSE:
- N
- CA
- C
- O
- CB
- CG
- SE
- CE
PHE:
- N
- CA
- C
- O
- CB
- CG
- CD1
- CD2
- CE1
- CE2
- CZ
PRO:
- N
- CA
- C
- O
- CB
- CG
- CD
SER:
- N
- CA
- C
- O
- CB
- OG
THR:
- N
- CA
- C
- O
- CB
- OG1
- CG2
TRP:
- N
- CA
- C
- O
- CB
- CG
- CD1
- NE1
- CE2
- CD2
- CE3
- CZ2
- CZ3
- CH2
TYR:
- N
- CA
- C
- O
- CB
- CG
- CD1
- CD2
- CE1
- CE2
- CZ
- OH
VAL:
- N
- CA
- C
- O
- CB
- CG1
- CG2
UNK:
- N
- CA
- C
- O
backbone_atoms:
- N
- CA
- C
- O
unknown_residue_name: UNK
conversions:
- residue: MSE
to_residue: MET
atom_swaps:
- - SE
- SD
- residue: SEC
to_residue: CYS
atom_swaps:
- - SE
- SG
with_res_id: true
- name: pred_receptor
dtype:
protein_atom_array_feature:
residue_dictionary:
residue_names:
- ALA
- ARG
- ASN
- ASP
- CYS
- GLN
- GLU
- GLY
- HIS
- ILE
- LEU
- LYS
- MET
- PHE
- PRO
- SER
- THR
- TRP
- TYR
- VAL
- UNK
residue_types:
- A
- R
- N
- D
- C
- Q
- E
- G
- H
- I
- L
- K
- M
- F
- P
- S
- T
- W
- Y
- V
- X
atom_types:
- N
- CA
- C
- CB
- O
- CG
- CG1
- CG2
- OG
- OG1
- SG
- CD
- CD1
- CD2
- ND1
- ND2
- OD1
- OD2
- SD
- CE
- CE1
- CE2
- CE3
- NE
- NE1
- NE2
- OE1
- OE2
- CH2
- NH1
- NH2
- OH
- CZ
- CZ2
- CZ3
- NZ
- OXT
residue_atoms:
ALA:
- N
- CA
- C
- O
- CB
ARG:
- N
- CA
- C
- O
- CB
- CG
- CD
- NE
- CZ
- NH1
- NH2
ASP:
- N
- CA
- C
- O
- CB
- CG
- OD1
- OD2
ASN:
- N
- CA
- C
- O
- CB
- CG
- OD1
- ND2
CYS:
- N
- CA
- C
- O
- CB
- SG
SEC:
- N
- CA
- C
- O
- CB
- SE
GLU:
- N
- CA
- C
- O
- CB
- CG
- CD
- OE1
- OE2
GLN:
- N
- CA
- C
- O
- CB
- CG
- CD
- OE1
- NE2
GLY:
- N
- CA
- C
- O
HIS:
- N
- CA
- C
- O
- CB
- CG
- ND1
- CE1
- NE2
- CD2
ILE:
- N
- CA
- C
- O
- CB
- CG1
- CG2
- CD1
LEU:
- N
- CA
- C
- O
- CB
- CG
- CD1
- CD2
LYS:
- N
- CA
- C
- O
- CB
- CG
- CD
- CE
- NZ
MET:
- N
- CA
- C
- O
- CB
- CG
- SD
- CE
MSE:
- N
- CA
- C
- O
- CB
- CG
- SE
- CE
PHE:
- N
- CA
- C
- O
- CB
- CG
- CD1
- CD2
- CE1
- CE2
- CZ
PRO:
- N
- CA
- C
- O
- CB
- CG
- CD
SER:
- N
- CA
- C
- O
- CB
- OG
THR:
- N
- CA
- C
- O
- CB
- OG1
- CG2
TRP:
- N
- CA
- C
- O
- CB
- CG
- CD1
- NE1
- CE2
- CD2
- CE3
- CZ2
- CZ3
- CH2
TYR:
- N
- CA
- C
- O
- CB
- CG
- CD1
- CD2
- CE1
- CE2
- CZ
- OH
VAL:
- N
- CA
- C
- O
- CB
- CG1
- CG2
UNK:
- N
- CA
- C
- O
backbone_atoms:
- N
- CA
- C
- O
unknown_residue_name: UNK
conversions:
- residue: MSE
to_residue: MET
atom_swaps:
- - SE
- SD
- residue: SEC
to_residue: CYS
atom_swaps:
- - SE
- SG
with_res_id: true
- name: pred_ligand
dtype:
protein_atom_array_feature:
residue_dictionary:
residue_names:
- ALA
- ARG
- ASN
- ASP
- CYS
- GLN
- GLU
- GLY
- HIS
- ILE
- LEU
- LYS
- MET
- PHE
- PRO
- SER
- THR
- TRP
- TYR
- VAL
- UNK
residue_types:
- A
- R
- N
- D
- C
- Q
- E
- G
- H
- I
- L
- K
- M
- F
- P
- S
- T
- W
- Y
- V
- X
atom_types:
- N
- CA
- C
- CB
- O
- CG
- CG1
- CG2
- OG
- OG1
- SG
- CD
- CD1
- CD2
- ND1
- ND2
- OD1
- OD2
- SD
- CE
- CE1
- CE2
- CE3
- NE
- NE1
- NE2
- OE1
- OE2
- CH2
- NH1
- NH2
- OH
- CZ
- CZ2
- CZ3
- NZ
- OXT
residue_atoms:
ALA:
- N
- CA
- C
- O
- CB
ARG:
- N
- CA
- C
- O
- CB
- CG
- CD
- NE
- CZ
- NH1
- NH2
ASP:
- N
- CA
- C
- O
- CB
- CG
- OD1
- OD2
ASN:
- N
- CA
- C
- O
- CB
- CG
- OD1
- ND2
CYS:
- N
- CA
- C
- O
- CB
- SG
SEC:
- N
- CA
- C
- O
- CB
- SE
GLU:
- N
- CA
- C
- O
- CB
- CG
- CD
- OE1
- OE2
GLN:
- N
- CA
- C
- O
- CB
- CG
- CD
- OE1
- NE2
GLY:
- N
- CA
- C
- O
HIS:
- N
- CA
- C
- O
- CB
- CG
- ND1
- CE1
- NE2
- CD2
ILE:
- N
- CA
- C
- O
- CB
- CG1
- CG2
- CD1
LEU:
- N
- CA
- C
- O
- CB
- CG
- CD1
- CD2
LYS:
- N
- CA
- C
- O
- CB
- CG
- CD
- CE
- NZ
MET:
- N
- CA
- C
- O
- CB
- CG
- SD
- CE
MSE:
- N
- CA
- C
- O
- CB
- CG
- SE
- CE
PHE:
- N
- CA
- C
- O
- CB
- CG
- CD1
- CD2
- CE1
- CE2
- CZ
PRO:
- N
- CA
- C
- O
- CB
- CG
- CD
SER:
- N
- CA
- C
- O
- CB
- OG
THR:
- N
- CA
- C
- O
- CB
- OG1
- CG2
TRP:
- N
- CA
- C
- O
- CB
- CG
- CD1
- NE1
- CE2
- CD2
- CE3
- CZ2
- CZ3
- CH2
TYR:
- N
- CA
- C
- O
- CB
- CG
- CD1
- CD2
- CE1
- CE2
- CZ
- OH
VAL:
- N
- CA
- C
- O
- CB
- CG1
- CG2
UNK:
- N
- CA
- C
- O
backbone_atoms:
- N
- CA
- C
- O
unknown_residue_name: UNK
conversions:
- residue: MSE
to_residue: MET
atom_swaps:
- - SE
- SD
- residue: SEC
to_residue: CYS
atom_swaps:
- - SE
- SG
with_res_id: true
- name: receptor_uniprot_accession
dtype: string
- name: ligand_uniprot_accession
dtype: string
- name: receptor_uniprot_seq
dtype: string
- name: ligand_uniprot_seq
dtype: string
- name: receptor_resids_with_uniprot_mapping
sequence: uint16
- name: receptor_mapped_uniprot_resids
sequence: uint16
- name: ligand_resids_with_uniprot_mapping
sequence: uint16
- name: ligand_mapped_uniprot_resids
sequence: uint16
- name: oligomeric_count
dtype: uint16
- name: resolution
dtype: float16
- name: probability
dtype: float16
- name: method
dtype: string
splits:
- name: pinder_xl
num_bytes: 416782224.0
num_examples: 1955
- name: val
num_bytes: 395833402.0
num_examples: 1958
- name: pinder_s
num_bytes: 58797916.0
num_examples: 250
- name: pinder_af2
num_bytes: 31709642.0
num_examples: 180
download_size: 402402974
dataset_size: 903123184.0
configs:
- config_name: default
data_files:
- split: pinder_s
path: data/pinder_s-*
- split: pinder_af2
path: data/pinder_af2-*
- split: pinder_xl
path: data/pinder_xl-*
- split: val
path: data/val-*
---

该数据集信息如下：
## 特征字段
1. **id**：字符串类型，样本唯一标识符
2. **cluster_id**：字符串类型，聚类编号
3. **pdb_id**：字符串类型，蛋白质数据库（Protein Data Bank, PDB）编号
4. **complex**：蛋白质原子数组特征（protein atom array feature），其残基字典（residue dictionary）包含以下配置：
- 残基名称列表：包含丙氨酸（ALA）、精氨酸（ARG）、天冬酰胺（ASN）、天冬氨酸（ASP）、半胱氨酸（CYS）、谷氨酰胺（GLN）、谷氨酸（GLU）、甘氨酸（GLY）、组氨酸（HIS）、异亮氨酸（ILE）、亮氨酸（LEU）、赖氨酸（LYS）、甲硫氨酸（MET）、苯丙氨酸（PHE）、脯氨酸（PRO）、丝氨酸（SER）、苏氨酸（THR）、色氨酸（TRP）、酪氨酸（TYR）、缬氨酸（VAL）及未知残基（UNK）
- 残基类型单字母缩写：对应为A、R、N、D、C、Q、E、G、H、I、L、K、M、F、P、S、T、W、Y、V、X
- 支持的原子类型：包含N、CA、C、CB、O、CG、CG1、CG2、OG、OG1、SG、CD、CD1、CD2、ND1、ND2、OD1、OD2、SD、CE、CE1、CE2、CE3、NE、NE1、NE2、OE1、OE2、CH2、NH1、NH2、OH、CZ、CZ2、CZ3、NZ、OXT等
- 残基-原子映射关系：详细定义各标准残基对应的原子集合，例如丙氨酸（ALA）包含N、CA、C、O、CB原子；精氨酸（ARG）包含N、CA、C、O、CB、CG、CD、NE、CZ、NH1、NH2原子；同时包含硒代半胱氨酸（SEC）、硒代甲硫氨酸（MSE）等特殊残基的原子定义
- 主链原子集合：固定为N、CA、C、O四类标准蛋白质主链原子
- 未知残基标识：设置为UNK
- 残基转换规则：包含两条转换策略：①将硒代甲硫氨酸（MSE）转换为甲硫氨酸（MET），原子替换为SE替换SD；②将硒代半胱氨酸（SEC）转换为半胱氨酸（CYS），原子替换为SE替换SG
- 启用残基编号：字段值为真
5. **apo_receptor**：蛋白质原子数组特征，结构与上述complex字段完全一致，代表未结合配体的空载受体蛋白
6. **apo_ligand**：蛋白质原子数组特征，结构与上述complex字段完全一致，代表未结合配体的空载配体（符合数据集原始定义）
7. **pred_receptor**：蛋白质原子数组特征，结构与上述complex字段完全一致，代表预测得到的受体蛋白
8. **pred_ligand**：蛋白质原子数组特征，结构与上述complex字段完全一致，代表预测得到的配体
9. **receptor_uniprot_accession**：字符串类型，受体蛋白的UniProt（Universal Protein Resource）登录号
10. **ligand_uniprot_accession**：字符串类型，配体的UniProt登录号
11. **receptor_uniprot_seq**：字符串类型，受体蛋白的UniProt参考序列
12. **ligand_uniprot_seq**：字符串类型，配体的UniProt参考序列
13. **receptor_resids_with_uniprot_mapping**：无符号16位整数序列，代表带有UniProt序列映射的受体残基编号集合
14. **receptor_mapped_uniprot_resids**：无符号16位整数序列，代表映射至UniProt参考序列的受体残基编号集合
15. **ligand_resids_with_uniprot_mapping**：无符号16位整数序列，代表带有UniProt序列映射的配体残基编号集合
16. **ligand_mapped_uniprot_resids**：无符号16位整数序列，代表映射至UniProt参考序列的配体残基编号集合
17. **oligomeric_count**：无符号16位整数，靶标复合物的寡聚体计数
18. **resolution**：半精度浮点数，对应复合物结构解析的分辨率
19. **probability**：半精度浮点数，模型预测置信概率
20. **method**：字符串类型，复合物结构解析采用的实验方法（如X射线衍射、冷冻电镜等）

## 数据集拆分
该数据集共包含4个拆分子集：
- `pinder_xl`拆分：总数据量416782224.0字节，包含1955个样本
- `val`（验证集）拆分：总数据量395833402.0字节，包含1958个样本
- `pinder_s`拆分：总数据量58797916.0字节，包含250个样本
- `pinder_af2`拆分：总数据量31709642.0字节，包含180个样本
整体数据集总下载大小为402402974字节，总存储大小为903123184字节

## 数据集配置
默认配置（default）对应的数据文件路径如下：
- `pinder_s`拆分：对应`data/pinder_s-*`
- `pinder_af2`拆分：对应`data/pinder_af2-*`
- `pinder_xl`拆分：对应`data/pinder_xl-*`
- `val`拆分：对应`data/val-*`