ibm/otter_uniprot_bindingdb_chembl

Otter UBC数据集包含来自Uniprot、BindingDB和ChemBL的实体（蛋白质/药物），总共包含6,207,654个三元组。Uniprot部分包含573,227个蛋白质，BindingDB部分包含2,656,221个数据点，ChemBL部分包含10,261个药物样生物活性分子。数据集的具体细节包括每个来源的数据量、数据类型以及如何处理数据以避免泄露。

原始信息汇总

Otter UBC 数据集概述

数据集组成

• Uniprot: 包含573,227个来自SwissProt的蛋白质，具有多种属性，如序列、全名、生物体、蛋白质家族、功能描述、催化活性、途径及其长度。存在38,665个类型为target_of的边，连接Uniprot ID至ChEMBL和Drugbank ID，以及196,133个Uniprot蛋白质ID之间的相互作用者。
• BindingDB: 包含2,656,221个数据点，涉及120万种化合物和9,000个目标。为每种药物和蛋白质组合生成一个三元组，最终数据集包含2,232,392个三元组。
• ChEMBL: 包含10,261个具有相应SMILES的ChEMBL ID，其中7,610个具有sameAs链接至Drugbank ID的分子。

数据集规模

• 总计包含6,207,654个三元组。

原始数据来源

• Uniprot: 由UniProt Consortium提供。
• BindingDB: 由Tiqing Liu等人提供。
• ChEMBL: 由Anna Gaulton等人提供。

许可证

• MIT许可证。

联系方式

• 问题或评论可通过GitHub Repo发送。

搜集汇总

背景与挑战

背景概述

Otter UBC数据集整合了Uniprot、BindingDB和ChEMBL三个生物医学数据库的实体，包括蛋白质和药物，共包含约620万个三元组。该数据集主要用于药物发现中的多模态知识图谱表示学习，提供了丰富的蛋白质序列、化合物结合和生物活性信息，以支持相关机器学习模型的训练和评估。