PPB-Affinity — 面向 AI 蛋白质药物发现的蛋白-蛋白结合亲和力数据集

INFOBOX — PPB-Affinity 一屏速览

维度	内容
本质	面向 AI 蛋白质药物发现的蛋白-蛋白结合亲和力数据集（结构+突变+链信息+亲和力标注，非新采集晶体实验）
团队	清华大学珠三角研究院 AI 创新中心 / Cyagen Biosciences / 深圳南山医院；共同一作 Huaqing Liu、Peiyi Chen；通讯 Lanqing Han、Guoxin Fan
论文	Nature Scientific Data 2024;11:1316（doi:10.1038/s41597-024-03997-4；PMID 39627219；PMCID PMC11615212）
规模	12062 条唯一样本，覆盖 3032 个唯一 PDB 条目
来源	SKEMPI v2.0 6700（55.55%）｜PDBbind v2020 3600（29.85%）｜SAbDab 1055（8.75%）｜ATLAS 545（4.52%）｜Affinity Benchmark v5.5 162（1.34%）
标注目标	pKD 7.54±2.14（max 15.70 / min 1.32）；ΔG(kcal/mol)；KD(M)
结构方法	X-RAY 11722（97.18%）｜NMR 300（2.48%）｜EM 30（0.24%）；分辨率 2.40±0.65 Å
表结构	17 列（PDB/来源/模型/突变/受体链/配体链/名称/KD/ΔG/方法/温度/分辨率/溯源 ID 等）
基线模型	不变点注意力（IPA）模型：Pearson 0.701、Spearman 0.691
AF 子集	PPB-Affinity-AF：95 条 AlphaFold3 预测结构样本
增强版	arXiv 2505.20036（Proteinea）：≤30% 序列同一性切分，Spearman 最高提升约 12%，许可 cc-by-nc-sa-4.0
许可	本体 CC-BY-4.0｜衍生增强版 cc-by-nc-sa-4.0（非商业）
获取	Zenodo（v5）+ Scientific Data 论文 + GitHub + HF 模型仓 ChenPy00/PPB-Affinity
库内互链	PDB（rid 43）、PDBbind（rid 134）、AlphaFold（rid 40/573）、Human Protein Atlas（rid 404）、PolyPdb（rid 779）

PPB-Affinity 是一份「把散落在五个数据库里的蛋白-蛋白结合亲和力，收进一张带结构上下文、带突变、带受体配体链的统一表」的数据集工程。它不产生新的晶体结构或新的结合实验，而是把 SKEMPI v2.0、PDBbind v2020、SAbDab、ATLAS 与 Affinity Benchmark v5.5 五处公开来源的亲和力测量值，逐条回溯到 PDB 结构、标注好哪条链是受体、哪条链是配体、带了什么突变，最终合成 12062 条可训练的样本——这正是蛋白质药物发现里「亲和力预测」这一 AI 任务最缺的那块底座。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——注意本体 CC-BY-4.0 与增强版 cc-by-nc-sa-4.0 是两套许可，且 Zenodo 早期 record 已重定向到 v5，引用别踩坑。
2. 关心建模与指标：直奔 §5 与 §7——IPA 基线（Pearson 0.701/Spearman 0.691）、≤30% 序列同一性切分、四类架构与 PLM 组合、最高约 12% Spearman 提升，连读。
3. 做多来源数据工程：直奔 §4 数据构成与 §10 避坑清单——五来源占比、结构方法偏斜、1024 条差额溯源，是复刻同类数据集的关键。

§0 导读：这个数据集解决什么问题

蛋白-蛋白相互作用（Protein-Protein Interaction, PPI）是细胞内几乎一切生命过程的执行层：信号传导、免疫识别、病毒入侵、转录调控都靠蛋白与蛋白之间的结合来完成。而当我们要用 AI 去设计或筛选能增强、削弱某个 PPB 相互作用的分子（抗体、多肽、小分子抑制剂）时，模型必须能回答一个定量问题——这个复合体结合得有多紧？ 这个「有多紧」就是结合亲和力，通常用解离常数 KD 或它的负对数 pKD 表示。

问题在于，亲和力数据天然是碎片化的。SKEMPI 专注于突变对结合的影响、PDBbind 专注于蛋白-配体、SAbDab 专注于抗体、ATLAS 与 Affinity Benchmark 又各自覆盖特定子集。研究者要训练一个通用 PPB 亲和力预测模型，就得自己在五六个数据库之间做「结构对齐—链识别—突变映射—单位换算—去重」的脏活，每个团队做一遍，口径还不一致。PPB-Affinity 的价值就在于把这个脏活标准化并公开：它给出 12062 条已经清洗、已标连接好、已附溯源 ID 的样本，让下游模型可以直接站在统一底表上比较。

本条目按照「数据集+基线模型+衍生生态」三合一的方式组织：§1-§4 讲清它是什么、由什么构成；§5-§7 讲清它怎么标注、怎么被用于建模与评测；§8-§11 讲清它在生态中的位置、方法学启示、与库内其他条目的关系，以及使用时的避坑要点。

§0 读法三则：

1. 这个数据集是**聚合型（aggregated）**而非采集型：所有结构与实验数据都来自已有公开库，PPB-Affinity 贡献的是整合、清洗、统一标注，以及一套配套的基线模型与评测协议——判断其价值要落在「整合质量」而非「新颖实验」上。
2. 全文硬数字以 Nature Scientific Data 原文（11:1316）与 Zenodo v5 元数据为准；本体 12062 与增强版 raw 配置 12048 之间的差额，属双口径，已在本条目坑点与附录中存照。
3. 检索时务必区分三个名字：数据集本体 PPB-Affinity、AlphaFold3 子集 PPB-Affinity-AF、Proteinea 增强版 proteinea/ppb_affinity——三者许可、样本量、发布渠道都不同（§7、坑 5）。

§1 数据集速览：十问十答

Q1：PPB-Affinity 到底是什么？一句话说清。
它是一份蛋白-蛋白结合亲和力数据集：把五个公开来源里的 PPB 结合测量值整合成 12062 条样本，每条样本都绑定 PDB 结构、受体/配体链、突变信息与亲和力数值（pKD/ΔG/KD），供 AI 做亲和力预测训练与评测。

Q2：「12062 条样本 / 3032 个 PDB 条目」这两个数字怎么理解？
样本（sample）是「一次亲和力测量」的粒度：同一个 PDB 结构如果做过突变扫描，会产生很多条样本；而 PDB 条目（PDB code）是结构单位。因此 3032 个唯一 PDB 条目对应 12062 条唯一测量样本，平均每个结构承载约 4 条亲和力记录——这种「一对多」正是突变数据集（尤其 SKEMPI）的典型形态。

Q3：五个来源各占多少？谁主导？
SKEMPI v2.0 6700 条（55.55%）、PDBbind v2020 3600 条（29.85%）、SAbDab 1055 条（8.75%）、ATLAS 545 条（4.52%）、Affinity Benchmark v5.5 162 条（1.34%）。SKEMPI 与 PDBbind 合计 85.4%，构成绝对主体；剩下三个来源合计不足 15%，是补充性的多样性来源。

Q4：亲和力目标量是什么形式？
三列互补：KD(M) 是原始解离常数（摩尔浓度）；pKD = −log10 KD 是其负对数，值越大结合越紧；ΔG(kcal/mol) 是结合自由能，由 KD 经热力学关系换算。数据集同时提供三者，方便不同建模范式取用。

Q5：pKD 分布长什么样？
总体 7.54 ± 2.14，最大值 15.70、最小值 1.32。按实验方法分层，SPR（表面等离子共振）子集均值 6.92 ± 2.05，略低于总体。这一分布提示：数据偏向中高亲和力（pKD 7-8 附近密集），两端极值样本稀少。

Q6：结构信息是怎么带的？
每条样本的复合体结构以 PDB 格式提供（Zenodo 的 PDB.zip，约 3.1 GB），并显式区分受体链（Receptor Chains）与配体链（Ligand Chains）——这是 PPB 任务的关键：模型必须知道「谁结合谁」，才能正确构造界面。此外还提供 AlphaFold3 预测结构的 95 条子集（PPB-Affinity-AF）。

Q7：突变信息为什么重要？
因为亲和力数据的一大价值在于「同结构、不同突变、亲和力变化」的对照。数据集用 Mutations 列记录每条样本相对野生型的突变，使得「突变→ΔΔG」这类蛋白质工程任务可以直接从表里取数，而不必再做序列比对。

Q8：它配套什么模型？
论文内提供一套基于**不变点注意力（IPA, Invariant Point Attention）**的基线模型，在数据上达到 Pearson 相关系数 0.701、Spearman 0.691。注意这不是本数据集的核心产出，而是「证明数据可用」的参照实现；模型权重发布在 HuggingFace ChenPy00/PPB-Affinity。

Q9：许可怎么算？
数据本体 CC-BY-4.0（Zenodo 元数据确认），署名即可自由使用/修改/再分发；论文开放获取。但衍生增强版（Proteinea，arXiv 2505.20036）用的是 cc-by-nc-sa-4.0，属非商业许可，与本体不同——这是本数据集最容易踩的许可坑（坑 5）。

Q10：和 PDBbind / SKEMPI 有什么本质区别？
PDBbind 主要覆盖蛋白-小分子（也有 PP 子集），SKEMPI 专注突变对 PP 结合的影响但没有统一的结构-链-方法整合视图。PPB-Affinity 把两者与 SAbDab/ATLAS/Affinity Benchmark 统一到「受体链-配体链-突变-亲和力-方法-溯源」的同一张表上，是跨来源的统一视图，而非单一来源的再发布。

§2 数据构成与规格

2.1 规模与单元

数据集的两个核心规模数字是 3032 个唯一 PDB 条目 与 12062 条唯一样本。理解这对数字的关键是单元定义：样本单元是「一条亲和力测量记录」，它由「哪个结构（PDB）+ 哪条受体链 + 哪条配体链 + 什么突变 + 哪个文献来源的亲和力值」共同确定。同一个 PDB 结构在突变扫描中可能贡献数十条样本，这就是条均样本数约 3.98 的来源。

样本 ID 采用复合键公式：f"{pdb}:{chains}:{mutations}:PMID={affinity_PMID}"。这个设计的好处是幂等去重——即使两个来源对同一测量给出相同数值，只要 PDB/链/突变/文献四要素相同就会被识别为同一条；反之，只要任一要素不同，就会被保留为独立样本。这解释了为什么跨来源整合后仍能保持 12062 这样的规模而不至于因简单按 PDB 去重而崩塌。

2.2 来源构成与占比

来源数据集	样本数	占比	特点
SKEMPI v2.0	6700	55.55%	突变扫描的 PP 亲和力变化，本数据集主体
PDBbind v2020	3600	29.85%	结构-结合数据综合库，PP 子集
SAbDab	1055	8.75%	抗体-抗原结构-亲和力，抗体工程价值高
ATLAS	545	4.52%	蛋白-蛋白相互作用热力学/动力学子集
Affinity Benchmark v5.5	162	1.34%	经典 PP 亲和力评测基准
合计	12062	100.00%（四舍五入）	—

占比合计为 100.01%，属四舍五入尾差，不影响结论。需要留意的是分布失衡：SKEMPI 与 PDBbind 合计逾 85%，意味着数据集的整体统计特性（如 pKD 分布、突变密度）由这两者主导；SAbDab 的抗体样本虽比例不高，却为下游抗体设计任务提供了稀缺上下文。

2.3 亲和力目标的分布

pKD 是数据集的第一目标量。总体分布为 7.54 ± 2.14，极端值跨度为 1.32 至 15.70。这一跨度相当于 KD 从约 10⁻¹·³ M（毫摩尔级的弱结合）一直到约 10⁻¹⁵·⁷ M（飞摩尔级的超强结合），横跨十余个数量级，对回归模型而言是宽动态范围挑战。

按实验方法分层时，SPR（表面等离子共振） 子集的均值为 6.92 ± 2.05。SPR 是 PPB 亲和力测定的主流方法之一，其子集均值低于总体，提示不同测定方法之间可能存在系统性偏置——这一点在跨方法混用时需要存照（见坑 4）。

2.4 结构解析方法构成

结构解析方法	样本数	占比
X-RAY（X 射线晶体学）	11722	97.18%
NMR（核磁共振）	300	2.48%
EM（冷冻电镜）	30	0.24%

X 射线晶体学以 97.18% 占据压倒性主导，NMR 与 EM 合计不足 3%，其中冷冻电镜仅 30 条（0.24%）。这一偏斜直接决定了数据集的结构分辨率特性：总体分辨率均值为 2.40 ± 0.65 Å，属于典型 X 射线晶体结构的高分辨率区间。若下游任务需要不同结构方法带来的构象柔性差异（例如 NMR 的溶液态构象、EM 的近生理态大复合体），本数据集能提供的样本极少。

2.5 表结构与 17 列字段

主表共 17 列，可分为五组：

组别	字段
结构标识	PDB、Model
来源溯源	Source dataset、PDB PubMed ID、PDB Release Date、Affinity PubMed ID
复合体构成	Mutations、Ligand Chains、Receptor Chains、Ligand Name、Receptor Name
亲和力目标	KD(M)、∆G(kcal/mol)
实验条件	Affinity Method、Structure Method、Temperature(K)、Resolution(Å)

2.6 发布产物与文件清单

Zenodo（v5，record 14271435）发布四个文件，均附 md5 校验值：

文件	体量	md5
PDB.zip	3.1 GB	88ba34c314b2820435afa7ccb8005b1a
PPB-Affinity-AF.zip	3.2 MB	9d9fee20ba63f71117772a996e635d7e
PPB-Affinity.xlsx	1.2 MB	032a5ce1f24212aef5cdedf8117ef084
samples_deleted.zip	2.1 MB	43872a607961598860b5a45f66afc35a

其中 PDB.zip 是复合体结构的批量打包（3.1 GB，需预留磁盘与内存）；PPB-Affinity-AF.zip 是 95 条 AlphaFold3 预测结构样本；PPB-Affinity.xlsx 是主表（17 列全量）；samples_deleted.zip 是被删除样本的审计清单——这个文件的存在体现了数据集的可审计性设计：被剔除的样本不是悄悄消失，而是留档可查。

§3 注释流水线：从五源到统一表

3.1 为什么需要流水线

PPB-Affinity 的核心工作量不在采集，而在「把异构来源磨成同一种形状」。五个来源各有各的组织逻辑：SKEMPI v2.0 以突变对为单位、PDBbind v2020 以结构-配体复合体为单位、SAbDab 以抗体-抗原对为单位、ATLAS 以相互作用热力学记录为单位、Affinity Benchmark v5.5 以评测基准列表为单位。它们对「结合」的描述粒度不同、单位不同、链命名不同、文献引用方式也不同。要把它们合进一张表，必须有一条定义清晰的流水线。

3.2 流水线四阶段

阶段一：来源解析与字段抽取。 对每个来源分别解析其原始格式，抽取出 PDB 编号、复合体、受体/配体链、突变、亲和力原始值（KD 或 ΔG）、测定方法、文献 ID 等字段。此阶段的关键是保留原始单位与原始文献引用，不做提前换算，以便后续审计。

阶段二：链的角色判定。 这是 PPB 任务特有的、也最容易出错的一步——哪条链是受体、哪条链是配体。PPB 中「受体/配体」并非绝对概念，而是相对角色：通常是较大的、提供结合口袋的一方记作受体，较小的一方记作配体，但具体到不同来源约定不一。流水线需要依据来源语义与结构上下文给出统一判定，并显式写入 Receptor Chains 与 Ligand Chains 两列，使得下游构造界面时方向明确。

阶段三：单位统一与目标量换算。 把各来源的亲和力值统一到三个互补目标量：KD(M) 保留原始（换算到摩尔浓度）、pKD = −log10 KD、ΔG(kcal/mol)（由 KD 经 ΔG = RT·ln(KD) 关系换算，温度取样本记录值）。这一步使不同来源的值可跨库比较。

阶段四：去重与溯源绑定。 用复合样本 ID 公式 f"{pdb}:{chains}:{mutations}:PMID={affinity_PMID}" 做幂等去重，并绑定 PDB PubMed ID、PDB Release Date、Affinity PubMed ID 三个溯源字段。被剔除的样本写入 samples_deleted.zip 留档。

3.3 溯源设计的三层绑定

数据集对每条样本做了三层溯源绑定，这是它区别于普通整合表的关键：

1. 结构溯源：PDB PubMed ID 指向该结构的原始发表文献；PDB Release Date 记录其在 PDB 的发布时间，可用于按时间切分训练/测试集（时间外推评测）。
2. 亲和力溯源：Affinity PubMed ID 指向该条亲和力测量的原始文献——注意它可能与结构文献不是同一篇（很多亲和力数据来自结构发布之后的后续测量）。
3. 来源溯源：Source dataset 列明确标注该样本来自五个来源中的哪一个，使得任何统计都可以按来源分层回溯。

这种设计的价值在数据治理层面：当某条样本的数值存疑时，可以沿结构→亲和力→来源三条线索一路回查到原始文献，而不必信任整合层的黑箱。

3.4 缺失处理与审计留档

聚合数据集不可避免要处理缺失与异常：缺失的亲和力值、不完整的链信息、无法对齐的突变、单位不明的记录。PPB-Affinity 的处理策略是「删除可删除的、留档所有删除的」——被剔除的样本进入 samples_deleted.zip，保留其标识与删除原因线索。这一点对可信 AI 数据尤为重要：删除操作可审计，意味着下游研究者可以评估「删除是否引入了选择偏差」，而不是被动接受一个不透明的清洗结果。

§4 比较发现：PPB-Affinity 在 PPB 数据版图中的位置

4.1 与 SKEMPI v2.0 的关系

SKEMPI v2.0 是 PPB-Affinity 最大的单一来源（6700 条，55.55%），也是同类数据集里突变信息最丰富的。SKEMPI 的强项是「同一复合体、多种突变、多种亲和力对照」，但它本身不提供统一的结构打包与链角色判定。PPB-Affinity 对 SKEMPI 的价值是补全上下文：把 SKEMPI 的突变-亲和力记录，绑定到 PDB 结构与受体/配体链上，使其可直接用于基于结构的建模。

4.2 与 PDBbind v2020 的关系

PDBbind v2020 提供 3600 条（29.85%），其强项是结构-结合数据的规模与规范。但 PDBbind 的主战场是蛋白-小分子，其 PP（蛋白-蛋白）子集相对有限。PPB-Affinity 取用其 PP 相关部分，与 SKEMPI/SAbDab 等在统一口径下合并，弥补了单一库在 PP 专项上的覆盖不足。

4.3 与 SAbDab / ATLAS / Affinity Benchmark 的关系

• SAbDab（1055 条，8.75%）：抗体-抗原方向，为抗体设计与抗体亲和力成熟任务提供稀缺上下文。比例虽不高，但在「治疗性抗体」这一 AI 制药最热的方向上，是数据集中最有产业相关性的部分之一。
• ATLAS（545 条，4.52%）：蛋白-蛋白相互作用的热力学与动力学特性子集，提供了亲和力之外的部分物理刻画线索。
• Affinity Benchmark v5.5（162 条，1.34%）：经典的 PP 亲和力评测基准，体量最小但「基准」属性使其成为外部对比的锚点。

4.4 与库内 PDBbind（rid 134）条目的对照

与库内 PDBbind 条目相比，PPB-Affinity 的定位差异清晰：

维度	PDBbind（rid 134）	PPB-Affinity（本条目）
对象	蛋白-小分子（含 PP 子集）	专注蛋白-蛋白（PP）
来源	单一库	五来源整合
突变	非核心	显式 Mutations 列，突变扫描为主体
链角色	部分场景无需求	显式 Receptor/Ligand Chains
配套模型	无统一基线	IPA 基线（Pearson 0.701）

两者是互补而非替代：做小分子亲和力找 PDBbind，做 PP/抗体亲和力找 PPB-Affinity。

4.5 与库内 PDB（rid 43）条目、AlphaFold（rid 40/573）条目的关系

• PDB（rid 43）：PPB-Affinity 的每条样本都以 PDB 编号为锚，PDB 条目提供结构本体与元数据背景，二者是「底图」与「标注层」的关系。
• AlphaFold（rid 40/573）：PPB-Affinity-AF 子集（95 条）正是用 AlphaFold3 预测结构替代实验结构的样本，把「预测结构能否用于亲和力任务」这一问题具体化。库内 AlphaFold 存在 rid 40 与 573 两个条目（重复），互链时需注意指向。

4.6 版本谱系：从 v1 到 v5 与增强版

PPB-Affinity 数据集本体在 Zenodo 上经历 v1 至 v5 的迭代（早期 record 11070823 已重定向至 v5 的 14271435）。此外，Proteinea 团队在 arXiv 2505.20036 中发布了增强版（HuggingFace proteinea/ppb_affinity），引入了 ≤30% 序列同一性切分、四类模型架构与多种蛋白质语言模型（PLM）组合，并报告了最高约 12% 的 Spearman 提升（详见 §7）。

这一谱系意味着「PPB-Affinity」这个名字下至少有三个可区分对象：本体 v5、AF 子集、增强版。它们样本量、划分、许可都不同，混用是使用中最容易出错的地方（坑 2、坑 5）。

§5 衍生基准：从数据到可复现的评测协议

5.1 为什么需要一个评测协议

聚合数据集最大的风险是评测不可比：如果每个研究团队都用自己的一套划分、自己的去重规则、自己的指标口径，那么「A 模型比 B 模型好」这句话就没有意义。PPB-Affinity 本体提供数据与一个参照基线，而增强版（Proteinea）进一步提供了一套带同源泄漏控制的评测协议，使不同模型的分数可以横向比较。

5.2 序列同一性切分：≤30% 的泄漏控制

蛋白亲和力任务有一个特有的评测陷阱：同源泄漏（homology leakage）。如果训练集和测试集里存在高度相似的蛋白序列（甚至同一家族的不同突变体），模型可能只是「记住了这个家族」，测试分数虚高，泛化能力被高估。

增强版采用 ≤30% 序列同一性（sequence identity） 的切分策略：保证训练集与测试集之间任意两条序列的同一性不超过 30%，从源头压制同源泄漏。这是蛋白领域评测的金标准做法之一，代价是划分后每个子集的样本量下降、任务更难——但也更接近真实泛化场景。

5.3 四种划分配置

增强版提供四种划分配置，供不同研究目的取用：

配置	train	val	test	说明
filtered	6485	965	757	≤30% 序列同一性切分，防泄漏主配置
filtered_random	6565	820	822	过滤后随机划分，对照用
raw	12048	—	—	未过滤（含同源），最大规模
raw_rec	12048	—	—	未过滤的另一重组口径

其中 filtered 是推荐主配置，filtered_random 用于对比「切分方式本身」带来的影响，raw/raw_rec 保留全量规模供需要最大数据量的场景使用。注意 raw 配置的 12048 与本体 12062 之间存在 14 条差额，这一差额的归因（去重边界、格式解析差异或其他）尚未在公开材料中完全说明，属双口径待核项（坑 3）。

5.4 四类模型架构

增强版围绕四类架构进行评测：

• EC：基于序列/结构的编码器类架构；
• SC：基于结构上下文（structure context）的架构；
• HP：基于相互作用/配对（hetero-pair）思路的架构；
• PAD：另一种组合建模架构。

四类架构代表了对「如何表征 PP 界面」的不同假设，横向对比有助于社区判断「哪种归纳偏置最适合 PPB 亲和力任务」。配合五种蛋白质语言模型（PLM）——ProtT5、ESM2、Ankh、Ankh2、ESM3——构成「架构 × 表征」的评测矩阵。

5.5 基线性能与增益

• 本体论文 IPA 基线：不变点注意力（Invariant Point Attention）模型，Pearson 相关系数 0.701，Spearman 0.691。这是「数据可用」的证明性基线。
• 增强版增益：相比基线，Spearman 最高提升约 12%。这一提升来自更好的切分（减少泄漏导致的假高分被剔除）、更丰富的 PLM 表征与架构改进的综合作用。

需要提醒：这两组数字口径不同——0.701/0.691 是本体论文的 IPA 模型在原始口径下的结果，而 12% 提升是增强版在 ≤30% 序列同一性口径下的相对增益。不可把两者当作同一实验直接比较（坑 3）。

5.6 复现要点

要复现增强版结果，需要：(1) 从 HuggingFace proteinea/ppb_affinity 获取数据与划分；(2) 注意其许可为 cc-by-nc-sa-4.0（非商业）；(3) 选用对应的 PLM 权重（ProtT5/ESM2/Ankh/Ankh2/ESM3）；(4) 明确报告所用配置（filtered/filtered_random/raw）。缺少任一项，分数都不可直接对标。

§6 获取与许可

6.1 四个获取渠道

渠道	内容	形态
Zenodo（record 11070823 → 14271435 / v5）	数据集本体四文件	ZIP + XLSX
Nature Scientific Data 论文	方法、字段定义、基线结果	开放获取 HTML/PDF
GitHub 官方仓库	数据处理与模型代码	源码
HuggingFace ChenPy00/PPB-Affinity	模型权重（checkpoint.pt）、结果表（results.csv）	模型仓

6.2 Zenodo 文件与校验

本体四文件及其 md5 见 §2.6。下载 PDB.zip（3.1 GB）前请预留磁盘空间；PPB-Affinity.xlsx（1.2 MB）是纯表格，适合快速取数；samples_deleted.zip（2.1 MB）是审计清单，做数据治理研究时值得一并下载。

6.3 许可分层与商用注意

本数据的许可不是单一值，而是分层的：

1. 数据本体：CC-BY-4.0（Zenodo 元数据确认）。署名即可自由使用、修改、再分发，含商用。
2. 论文本体：Nature Scientific Data 开放获取，可自由阅读与引用。
3. 衍生增强版：cc-by-nc-sa-4.0（HuggingFace proteinea/ppb_affinity）。非商业、且要求相同方式共享——与本体许可不同。
4. 上游来源：SKEMPI v2.0、PDBbind v2020、SAbDab、ATLAS、Affinity Benchmark v5.5 各自的原始许可仍然适用，商用前应逐层核对。

结论：用本体（CC-BY-4.0）做商业管线理论可行；一旦用了增强版数据或其划分，就落入非商业约束。这是本条目最重要的一条合规提醒（坑 5）。

6.4 引用规范与版本注意

• 引用数据集应引 Nature Scientific Data 原文（DOI 10.1038/s41597-024-03997-4）。
• 引用下载版本时应写明 Zenodo v5（record 14271435），避免引用已重定向的早期 record 11070823。
• 若使用增强版，须另引 arXiv 2505.20036 并遵守其非商业许可。
• CC-BY-4.0 要求署名，衍生物需注明来源。

§7 生态与影响

7.1 上游：五源生态

PPB-Affinity 站在五个成熟公开库之上：SKEMPI v2.0（突变亲和力）、PDBbind v2020（结构-结合综合库）、SAbDab（抗体-抗原）、ATLAS（PP 相互作用热力学/动力学）、Affinity Benchmark v5.5（经典 PP 基准）。它的贡献是把这些上游整合为可训练的统一下游产物，因此任何上游库的更新都会成为 PPB-Affinity 迭代的输入。

7.2 下游：模型与工具生态

• IPA 基线模型：论文自带，权重在 HuggingFace ChenPy00/PPB-Affinity，提供 PyTorch checkpoint 与结果表，可直接加载评测或微调。
• 增强版数据集与协议：Proteinea 的 proteinea/ppb_affinity（arXiv 2505.20036），提供过滤后划分与四类架构的评测口径。
• AF 子集：PPB-Affinity-AF（95 条 AlphaFold3 预测结构），把「预测结构 vs 实验结构」的对比具体化为可实验的子集。

7.3 为什么它对 AI 制药重要

AI 制药的核心命题之一是从结构预测结合强度。PPB-Affinity 提供的正是这个任务所需的监督信号：结构 + 链角色 + 突变 + 亲和力。它的意义有三层：

1. 训练底座：12062 条带结构的 PPB 亲和力样本，规模足以支撑中等规模的深度模型训练。
2. 评测锚点：配套的 IPA 基线与增强版协议，使新模型的进步可量化、可对标。
3. 方法学示范：它展示了如何把异构来源整合为带溯源、可审计、许可清晰的 AI-Ready 数据集——这对整个「AI 就绪数据」领域都有借鉴价值。

7.4 生态位置与库内互链

PPB-Affinity 处在「结构资源（PDB/AlphaFold）× 结合数据（PDBbind/SKEMPI）」的交汇处，在库内可与以下条目构成检索面：

库内条目	rid	关系
PDB	43	底图：结构本体
PDBbind	134	兄弟库：小分子结合数据
AlphaFold	40 / 573	AF 子集上游（注意重复条目）
Human Protein Atlas	404	弱互链：蛋白相关资源
PolyPdb	779	弱互链：蛋白/多肽结构资源

库内缺失的潜在相关数据集（无独立条目）：SKEMPI、SAbDab、ATLAS、AB-Bind。这些上游目前只能通过 PPB-Affinity 条目间接触达。

§8 方法学启示

8.1 「聚合」本身就是一种贡献

PPB-Affinity 最有方法学价值的启示是：在数据科学里，高质量的聚合不是「搬运」，而是一种独立贡献。五个来源单独看都不新，但把它们统一到同一条流水线、同一套字段、同一个复合键下，需要解决链角色判定、单位换算、突变对齐、幂等去重、审计留档等一系列工程问题——这些问题的解法本身就是可复用的方法。

8.2 溯源是可信 AI 数据的骨架

数据集对每条样本做三层溯源绑定（结构文献/亲和力文献/来源库），并提供 samples_deleted.zip 记录被删除样本。这一设计的方法学启示是：数据的可信度不只来自数据本身，还来自「能不能查证」。在 AI 训练数据越来越被质疑「来路不明」的今天，这种「每条样本都可回溯、每次删除都留档」的做法，是构建可信数据集的范本。

8.3 同源泄漏是蛋白任务评测的头号敌人

增强版的 ≤30% 序列同一性切分，直指蛋白机器学习评测的核心陷阱。方法学启示在于：在序列空间存在强相关性的任务上，随机切分几乎必然高估泛化能力。凡是报告 PPB 亲和力模型性能的工作，都应公开其切分口径（是否控制序列同一性、阈值多少），否则分数不可比。

8.4 许可分层是可组合数据的现实

本数据集的许可不是单一值，而是「本体 CC-BY-4.0 + 增强版 cc-by-nc-sa-4.0 + 上游各自许可」的分层结构。这反映了一个现实：当数据由多层衍生构成时，许可也是多层的，下游使用者必须逐层核对，不能只看最外层。方法学上，这提示数据集发布者应当显式声明每一层的许可，而不是笼统给一个 license 字段。

§9 与库内条目的关系

9.1 强互链条目

• PDB（rid 43）：PPB-Affinity 的每条样本都以 PDB 编号锚定结构，二者是「结构底图—亲和力标注层」的关系。阅读顺序：先 PDB 了解结构资源背景，再本条目了解 PPB 亲和力的整合层。
• PDBbind（rid 134）：同为「结构-结合」数据集，PDBbind 偏小分子、PPB-Affinity 专 PP。二者构成结合亲和力数据的两个互补面。
• AlphaFold（rid 40/573）：PPB-Affinity-AF 子集（95 条）用 AF3 预测结构替代实验结构，直接关联。

9.2 弱互链条目与家族定位

• Human Protein Atlas（rid 404）、PolyPdb（rid 779）：同属蛋白相关资源，可在「蛋白结构与功能」主题检索面内弱互链。
• 家族定位：PPB-Affinity 连接「结构资源族（PDB/AlphaFold）」与「结合数据族（PDBbind）」，是蛋白药物发现检索路径中的关键节点。

9.3 库内缺口提示

SKEMPI、SAbDab、ATLAS、AB-Bind 在库内无独立条目。这意味着：想检索这些上游，目前只能通过本条目间接触达。若未来补入这些条目，应在本条目的库内互链中增补。

§10 避坑清单

坑 1：把「12062 样本」与「3032 PDB」当成同一维度。
样本是测量粒度、PDB 是结构粒度，两者是一对多关系（条均约 3.98 条/结构）。用 3032 去估「有多少结合数据」会严重低估；用 12062 去估「有多少结构」会严重高估。引用时必须区分单元。

坑 2：忽略版本重定向，引用了已失效的 Zenodo record。
早期 Zenodo record 11070823 已重定向至 14271435（v5）。引用时若写死旧 record 号，读者可能无法定位到当前版本。请以 v5 为准，并注明查询时点。

坑 3：双口径混用——本体 12062 vs 增强版 raw 12048，且基线指标口径不同。
本体是 12062 条，增强版 raw 配置是 12048 条，差额 14 条的归因未完全公开。此外，本体 IPA 基线（Pearson 0.701/Spearman 0.691）与增强版「提升约 12%」是不同实验口径，不可直接比较。报告数字时必须写明口径。

坑 4：跨测定方法混用，忽略系统性偏置。
总体 pKD 均值 7.54±2.14，而 SPR 子集为 6.92±2.05，二者存在差异，提示不同亲和力测定方法（SPR、ITC、等温滴定量热等）之间存在系统性偏置。若在同一个回归任务里混用不同方法的样本而无方法分层或校正，模型可能学到的是「方法差异」而非「结合强度」。

坑 5：把增强版的非商业许可当成本体许可。
本体是 CC-BY-4.0（含商用），但衍生增强版 proteinea/ppb_affinity 是 cc-by-nc-sa-4.0（非商业、相同方式共享）。两者许可不同，一旦使用增强版数据或其划分，即受非商业约束。商用管线务必逐层核对许可。

坑 6：结构方法高度偏斜（X-RAY 97.18%），别当成「通用结构数据集」。
NMR 仅 2.48%、EM 仅 0.24%。若任务依赖溶液态构象（NMR）或近生理大复合体（EM），本数据集能提供的样本极少，不能替代专门的结构集。

坑 7：直接用 PDB 编号去重，会误删合法的多测量样本。
同一 PDB 结构可能对应多条不同链组合/不同突变的亲和力测量。若按 PDB 简单去重，会丢失大量合法样本。正确做法是用复合键 f"{pdb}:{chains}:{mutations}:PMID={affinity_PMID}" 去重。

坑 8：忽略作者中文姓名是音译，误当官方中文名引用。
FACTS 中标注的作者中文姓名（如「刘华清」）均为依拼音音译、未获本人确认。正式引用请使用英文原名（Huaqing Liu、Peiyi Chen 等），避免以音译名当作官方中文署名。

坑 9：忽略 pKD 动态范围，用普通回归损失直接训练。
pKD 跨度 1.32–15.70，横跨十余个数量级（对应 KD 从毫摩尔到飞摩尔）。若不做目标标准化或加权，模型会偏向中高亲和力密集区，两端极值样本（尤其弱结合）拟合极差。

坑 10：把 AF 子集（95 条）当成本体规模使用。
PPB-Affinity-AF 只有 95 条，是「预测结构可用性」的实验性子集，不是主训练集。把它当作本体规模去做统计或训练，会得出错误结论。

§11 总结

11.1 三句话概括

1. PPB-Affinity 是五源整合的蛋白-蛋白结合亲和力数据集：12062 条样本、3032 个 PDB 条目，每条带结构、链角色、突变与 pKD/ΔG 标注。
2. 它配套模型与协议：IPA 基线（Pearson 0.701/Spearman 0.691）+ 增强版 ≤30% 序列同一性切分与四类架构评测（最高约 12% Spearman 提升）。
3. 它是 AI 制药的关键底座：为「从结构预测结合强度」这一核心任务提供带溯源、可审计、许可清晰的公开数据。

11.2 适用与不适用

场景	适用性
PP/抗体结合亲和力预测建模	✅ 强适用
突变对结合影响的蛋白质工程	✅ 适用（突变列丰富）
结构 vs 预测结构对比研究	✅ 适用（AF 子集）
蛋白-小分子亲和力任务	❌ 不适用（用 PDBbind）
依赖 NMR/EM 构象的任务	⚠️ 样本极少
商业用途	⚠️ 本体可、增强版不可

11.3 三十秒决策卡

• 要数据本体 → Zenodo v5（record 14271435），CC-BY-4.0，下 PPB-Affinity.xlsx + PDB.zip。
• 要模型权重 → HuggingFace ChenPy00/PPB-Affinity（checkpoint.pt）。
• 要防泄漏评测 → 增强版 proteinea/ppb_affinity，但注意 cc-by-nc-sa-4.0。
• 要引文 → Nature Scientific Data 2024;11:1316，DOI 10.1038/s41597-024-03997-4。
• 要查证 → 三层溯源字段（PDB PubMed ID / Affinity PubMed ID / Source dataset）+ samples_deleted.zip。

11.4 一句话记住

PPB-Affinity 把散落在五个库里的蛋白-蛋白结合亲和力，收进了一张带结构、带链、带突变、带溯源的表——这正是 AI 蛋白质药物发现在「亲和力预测」上最缺的那块标准化底座。

FAQ 常见问题

A. 身份与定位

Q1：PPB-Affinity 是英文数据集，为什么收进中文医数集？
它是 AI 制药的基础数据资源，服务于药物发现场景；本条目以中文梳理其结构、许可与用法，便于中文研究者检索与合规使用。

Q2：它是患者数据吗？
不是。它由蛋白复合体的结构数据与体外结合实验测量构成，不含患者信息，patient_count 记为「不适用」。

Q3：为什么叫「PPB」？
PPB = Protein-Protein Binding（蛋白-蛋白结合）。PPB-Affinity 即「蛋白-蛋白结合亲和力」。

Q4：它和 AlphaFold 是什么关系？
互补。AlphaFold 预测结构，PPB-Affinity 提供结合亲和力标注。它的 AF 子集（95 条）正是把 AF3 预测结构放进亲和力任务里检验。

B. 数据规模与构成

Q5：12062 条样本是怎么数出来的？
去重后保留的唯一亲和力测量记录，复合键为 f"{pdb}:{chains}:{mutations}:PMID={affinity_PMID}"。

Q6：为什么 PDB 条目只有 3032 个？
因为一个结构常对应多次测量（尤其突变扫描），结构数少于样本数是 PPB 数据集的常态。

Q7：五大来源能分别单独获取吗？
可以。SKEMPI v2.0、PDBbind v2020、SAbDab、ATLAS、Affinity Benchmark v5.5 都是独立公开资源，PPB-Affinity 是它们的整合产物。

Q8：pKD 和 ΔG 我怎么选？
做深度学习回归常用 pKD（线性、数值稳定）；做热力学分析或物理建模常用 ΔG（kcal/mol）。两者可互算。

Q9：温度、分辨率这些列有什么用？
用于过滤与分层：可按分辨率筛高质量结构样本，按温度统一热力学换算，按方法做分层统计。

C. 许可与合规

Q10：本体可以商用吗？
可以。本体是 CC-BY-4.0，署名即可商用。

Q11：增强版可以商用吗？
不可以。增强版是 cc-by-nc-sa-4.0，非商业且要求相同方式共享。

Q12：上游数据的许可也要管吗？
要。SKEMPI/PDBbind/SAbDab/ATLAS/Affinity Benchmark 各自的原始许可仍适用，商用前逐层核对。

Q13：怎么署名？
学术使用引 Nature Scientific Data 原文；下载版本注明 Zenodo v5（record 14271435）。

D. 建模与评测

Q14：基线模型性能是多少？
IPA 基线 Pearson 0.701、Spearman 0.691。

Q15：增强版提升了多少？
相比基线 Spearman 最高提升约 12%（口径与本体基线不同，不可直接比较）。

Q16：什么是 ≤30% 序列同一性切分？
保证训练/测试集间任意序列同一性不超过 30%，以压制同源泄漏导致的虚高分。

Q17：为什么必须控制同源泄漏？
因为蛋白序列高度相关的样本若跨训练/测试分布，模型会「记住家族」而非「学会规律」，泛化被高估。

Q18：用了哪些蛋白质语言模型？
ProtT5、ESM2、Ankh、Ankh2、ESM3。

Q19：四类架构指什么？
EC、SC、HP、PAD，代表对「如何表征 PP 界面」的不同假设。

Q20：IPA 是什么？
Invariant Point Attention，不变点注意力，一种对三维结构等变友好的注意力机制。

E. 获取与使用

Q21：去哪下数据？
Zenodo record 14271435（v5）。

Q22：怎么下模型权重？
HuggingFace ChenPy00/PPB-Affinity（含 checkpoint.pt、results.csv）。

Q23：沙箱里 HuggingFace 下不了怎么办？
走镜像 hf-mirror.com。

Q24：PDB.zip 多大？
约 3.1 GB，下载前留足空间。

Q25：samples_deleted.zip 有什么用？
被删除样本的审计清单，做数据治理/偏差分析时用。

F. 边界与误区

Q26：它能替代 PDBbind 吗？
不能。PDBbind 偏蛋白-小分子，本数据集专 PP，二者互补。

Q27：AF 子集能当主训练集吗？
不能，只有 95 条，是实验性子集。

Q28：NMR/EM 样本多吗？
很少。NMR 300 条、EM 30 条，X-RAY 占 97.18%。

Q29：可以直接按 PDB 去重吗？
不行，会误删合法多测量样本，须用复合键。

Q30：作者中文名能直接引用吗？
不建议，均为音译未确认，请用英文原名。

---

事实清单（硬事实 38 条）

1. PPB-Affinity 是面向 AI 蛋白质药物发现的蛋白-蛋白结合亲和力数据集。
2. 论文发表于 Nature Scientific Data 2024;11:1316。
3. DOI 为 10.1038/s41597-024-03997-4。
4. PMID 为 39627219，PMCID 为 PMC11615212。
5. 投稿 Received 2024-05-24，Accepted 2024-10-11。
6. Published online 2024-11-04，正式卷期 2024-12-04。
7. 共同一作 Huaqing Liu、Peiyi Chen。
8. 其他作者 Xiaochen Zhai、Ku-Geng Huo、Shuxian Zhou、Lanqing Han、Guoxin Fan。
9. 通讯作者 Lanqing Han（hanlance@tsinghua-gd.org）与 Guoxin Fan（fanguoxin@email.szu.edu.cn）。
10. 主要机构含清华大学珠三角研究院人工智能创新中心、Cyagen Biosciences、Cyagen Biomodels、深圳市南山区人民医院。
11. 数据集含 12062 条唯一样本。
12. 覆盖 3032 个唯一 PDB 条目。
13. pKD 总体分布 7.54 ± 2.14。
14. pKD 最大值 15.70，最小值 1.32。
15. SPR 子集 pKD 均值 6.92 ± 2.05。
16. 来源 SKEMPI v2.0 有 6700 条（55.55%）。
17. 来源 PDBbind v2020 有 3600 条（29.85%）。
18. 来源 SAbDab 有 1055 条（8.75%）。
19. 来源 ATLAS 有 545 条（4.52%）。
20. 来源 Affinity Benchmark v5.5 有 162 条（1.34%）。
21. 结构方法 X-RAY 11722 条（97.18%）。
22. 结构方法 NMR 300 条（2.48%）。
23. 结构方法 EM 30 条（0.24%）。
24. 总体分辨率 2.40 ± 0.65 Å。
25. PPB-Affinity-AF 子集 95 条 AlphaFold3 预测结构样本。
26. 主表共 17 列。
27. 样本 ID 公式为 f"{pdb}:{chains}:{mutations}:PMID={affinity_PMID}"。
28. 17 列含 PDB、Source dataset、Model、Mutations、Ligand Chains、Receptor Chains、Ligand Name、Receptor Name、KD(M)、∆G(kcal/mol)、Affinity Method、Structure Method、Temperature(K)、Resolution(Å)、PDB PubMed ID、PDB Release Date、Affinity PubMed ID。
29. Zenodo v5 发布 PDB.zip（3.1 GB，md5 88ba34c314b2820435afa7ccb8005b1a）。
30. Zenodo v5 发布 PPB-Affinity-AF.zip（3.2 MB，md5 9d9fee20ba63f71117772a996e635d7e）。
31. Zenodo v5 发布 PPB-Affinity.xlsx（1.2 MB，md5 032a5ce1f24212aef5cdedf8117ef084）。
32. Zenodo v5 发布 samples_deleted.zip（2.1 MB，md5 43872a607961598860b5a45f66afc35a）。
33. 本体许可为 CC-BY-4.0。
34. Zenodo 早期 record 11070823 已重定向至 14271435（v5）。
35. IPA 基线模型 Pearson 0.701、Spearman 0.691。
36. 增强版（arXiv 2505.20036）采用 ≤30% 序列同一性切分。
37. 增强版 filtered 划分 train 6485 / val 965 / test 757；filtered_random 6565 / 820 / 822；raw/raw_rec 12048。
38. 增强版许可 cc-by-nc-sa-4.0，HF 仓 proteinea/ppb_affinity；PLM 含 ProtT5/ESM2/Ankh/Ankh2/ESM3；四架构 EC/SC/HP/PAD；Spearman 最高提升约 12%。

---

术语表（30 条）

术语	释义
PPB	Protein-Protein Binding，蛋白-蛋白结合
结合亲和力	两分子结合的强度度量，常用 KD/pKD/ΔG 表示
KD	解离常数（M），值越小结合越紧
pKD	pKD = −log10 KD，值越大结合越紧
ΔG	结合自由能（kcal/mol），负值越大结合越有利
SPR	表面等离子共振，测定结合动力学/亲和力的主流方法
ITC	等温滴定量热，直接测结合焓的方法
PDB	Protein Data Bank，蛋白结构数据库
PDB code	PDB 条目四字符编号（如 1abc）
复合体（complex）	多个蛋白链结合形成的组装体
受体链	复合体中承担主要结合口袋的链（相对角色）
配体链	复合体中作为结合方较小的链（相对角色）
突变（mutation）	序列上特定残基的改变
突变扫描	系统性引入突变并测量其对结合的影响
SKEMPI	突变对 PP 结合影响的数据集
PDBbind	结构-结合数据综合库
SAbDab	抗体-抗原结构数据库
ATLAS	PP 相互作用热力学/动力学数据集
Affinity Benchmark	经典 PP 亲和力评测基准集合
IPA	Invariant Point Attention，不变点注意力
PLM	Protein Language Model，蛋白质语言模型
ProtT5	蛋白质序列语言模型之一
ESM2	Meta 蛋白质语言模型系列之一
Ankh / Ankh2	蛋白质语言模型系列
ESM3	Meta 新一代蛋白质语言模型
同源泄漏	训练/测试集含高度相似序列导致泛化高估
序列同一性	两条序列相同残基的比例（%）
切分（split）	数据集划分为 train/val/test
溯源（provenance）	数据来源可回溯的记录
CC-BY-4.0	署名即可自由使用/商用/再分发的许可

附录

附录 A：条目信息速查卡

项	值
条目名	PPB-Affinity
url_name	ppb-affinity
类型	聚合型公开科研数据集（Data Descriptor）
论文	Nature Scientific Data 2024;11:1316
团队	清华珠三角研究院 AI 创新中心等
规模	12062 样本 / 3032 PDB 条目
许可	本体 CC-BY-4.0 / 增强版 cc-by-nc-sa-4.0
获取	Zenodo v5（record 14271435）
抓取时点	2026-10-03
库内互链	pdb(43)/pdbbind(134)/alphafold(40,573)/human-protein-atlas(404)/polypdb(779)

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	8	Nature Scientific Data 开放获取+Zenodo+GitHub+HF 多渠道可索引；名称清晰无别名混淆
A 可获取性	9	本体 CC-BY-4.0 直链下载，四文件全部公开；扣分在 PDB.zip 体量大（3.1 GB）与 HF 主站部分环境受限
I 可互操作	8	标准 PDB 结构格式+XLSX 主表+CSV 结果表；字段命名规范；无官方 BioPython/PyG 转换脚本略降
M 元数据质量	8	17 列完备+三层溯源+审计清单；扣分在 IPA 超参未完整披露、增强版对齐细节待核
S 可持续性	8	Zenodo（CERN 长期托管）+GitHub+HF 多平台冗余；上游库持续维护
综合评级	8.2/10（优）	可发现性、可获取性、互操作与可持性均高于均值；许可分层是本数据集唯一的合规复杂度

附录 C：逐项证据链自证

关键数字	来源	位置
12062 样本 / 3032 PDB	论文正文与数据描述	Nature PDF 抽取
pKD 7.54±2.14（max 15.70 / min 1.32）	论文明细表	Nature PDF 抽取
SPR 6.92±2.05	论文分层统计	Nature PDF 抽取
五来源占比 6700/3600/1055/545/162	论文来源构成表	Nature PDF 抽取
X-RAY 11722 / NMR 300 / EM 30	论文结构方法表	Nature PDF 抽取
分辨率 2.40±0.65 Å	论文统计	Nature PDF 抽取
17 列字段	论文表结构	Nature PDF 抽取
样本 ID 公式	论文方法节	Nature PDF 抽取
CC-BY-4.0 / record 重定向	Zenodo 元数据 API	Zenodo API 2026-10-03
IPA Pearson 0.701 / Spearman 0.691	论文结果节	Nature PDF 抽取
增强版划分与 12% 提升	arXiv 2505.20036	arXiv 摘要/页面
HF 模型仓 ChenPy00/PPB-Affinity	HuggingFace	hf-mirror 核验

附录 D：数据获取决策树

需求是什么？
├── 想做 PP 亲和力预测建模
│   ├── 1) Zenodo v5 下 PPB-Affinity.xlsx + PDB.zip（CC-BY-4.0）
│   ├── 2) 用复合键去重，勿按 PDB 简单去重
│   └── 3) 载入 HF ChenPy00/PPB-Affinity 的 IPA 基线作参照
├── 想复现防泄漏评测
│   └── HF proteinea/ppb_affinity（≤30% 序列同一性切分）——注意 cc-by-nc-sa-4.0
├── 想研究「预测结构可用性」
│   └── 取 PPB-Affinity-AF.zip（95 条 AlphaFold3 结构）
├── 想做数据治理/偏差分析
│   └── 一并下 samples_deleted.zip 审计清单
└── 只想引用亲和力数据
    └── 引 doi:10.1038/s41597-024-03997-4，注明 Zenodo v5

附录 E：五来源构成表

来源	样本数	占比	领域
SKEMPI v2.0	6700	55.55%	突变亲和力
PDBbind v2020	3600	29.85%	结构-结合综合
SAbDab	1055	8.75%	抗体-抗原
ATLAS	545	4.52%	PP 热力学/动力学
Affinity Benchmark v5.5	162	1.34%	经典 PP 基准
合计	12062	100.00%	—

附录 F：17 列字段数据字典

#	字段	语义
1	PDB	PDB 条目编号
2	Source dataset	来源数据集名
3	Model	复合体/模型标识
4	Mutations	突变描述
5	Ligand Chains	配体链
6	Receptor Chains	受体链
7	Ligand Name	配体名称
8	Receptor Name	受体名称
9	KD(M)	解离常数（摩尔）
10	∆G(kcal/mol)	结合自由能
11	Affinity Method	亲和力测定方法
12	Structure Method	结构解析方法
13	Temperature(K)	实验温度
14	Resolution(Å)	结构分辨率
15	PDB PubMed ID	结构文献 ID
16	PDB Release Date	结构发布日期
17	Affinity PubMed ID	亲和力文献 ID

附录 G：pKD 数据加载与清洗骨架（代码）

import pandas as pd
import numpy as np

def load_ppb_affinity(xlsx_path):
    """加载 PPB-Affinity 主表并做基础清洗（口径示例）。"""
    df = pd.read_excel(xlsx_path)
    # 复合键：与数据集定义一致，勿改用单列去重
    df["sample_id"] = (
        df["PDB"].astype(str) + ":" + df["Receptor Chains"].astype(str)
        + ":" + df["Ligand Chains"].astype(str) + ":"
        + df["Mutations"].astype(str) + ":PMID=" + df["Affinity PubMed ID"].astype(str)
    )
    df = df.drop_duplicates("sample_id")
    # 目标量：优先用 pKD；缺则从 KD 换算
    if "pKD" not in df.columns and "KD(M)" in df.columns:
        df["pKD"] = -np.log10(df["KD(M)"].astype(float))
    return df

附录 H：方法分层统计骨架（代码）

def stratify_by_method(df):
    """按亲和力测定方法分层统计 pKD，暴露方法间系统性偏置。"""
    out = {}
    for m, sub in df.groupby("Affinity Method"):
        out[m] = {"n": len(sub), "pKD_mean": sub["pKD"].mean(),
                  "pKD_std": sub["pKD"].std()}
    return out  # 注意 SPD 子集均值 6.92±2.05 低于总体 7.54±2.14

附录 I：五来源许可核对清单

来源	许可（需自行核验）	商用注意
SKEMPI v2.0	见其官方页	逐层核对
PDBbind v2020	见其官方页	逐层核对
SAbDab	见其官方页	逐层核对
ATLAS	见其官方页	逐层核对
Affinity Benchmark v5.5	见其官方页	逐层核对
PPB-Affinity 本体	CC-BY-4.0	可商用（署名）
增强版 proteinea/ppb_affinity	cc-by-nc-sa-4.0	不可商用

附录 J：结构方法分布表

方法	样本数	占比
X-RAY	11722	97.18%
NMR	300	2.48%
EM	30	0.24%
合计	12052	99.90%（其余为未列方法）

附录 K：基线 vs 增强版口径对照

项	本体（IPA 基线）	增强版（Proteinea）
样本	12062	raw 12048
切分	论文口径	≤30% 序列同一性
指标	Pearson 0.701 / Spearman 0.691	Spearman 相对提升约 12%
许可	CC-BY-4.0	cc-by-nc-sa-4.0
可比性	—	与本体重接不可直接比较

附录 L：与库内 PDBbind（rid 134）对照

维度	PDBbind（rid 134）	PPB-Affinity
侧重	蛋白-小分子（含 PP 子集）	专蛋白-蛋白
来源	单一库	五来源整合
突变	非核心	显式列
链角色	部分无需求	显式标注
基线	无统一基线	IPA 基线

附录 M：与库内 PDB（rid 43）关系声明

维度	PDB（rid 43）	PPB-Affinity
对象	结构本体	结构上的亲和力标注层
粒度	结构条目	测量样本
关系	底图	标注/整合

附录 N：版本谱系表

版本	标识	说明
本体 v1-v5	Zenodo 11070823 → 14271435	迭代发布，引用 v5
AF 子集	PPB-Affinity-AF	95 条 AF3 预测结构
增强版	arXiv 2505.20036 / HF proteinea/ppb_affinity	≤30% 切分，非商业许可

附录 O：许可条款细读

1. 本体 CC-BY-4.0：署名、含商用、含修改与再分发。
2. 增强版 cc-by-nc-sa-4.0：署名 + 非商业 + 相同方式共享。
3. 论文：Nature Scientific Data 开放获取，可读可引。
4. 上游各库：沿用其原始许可，逐层核对。
5. 引用优先级：用数据引数据许可，引观点引论文。

附录 P：检索路径示范

目标	推荐查询式	预期命中
本体论文	“PPB-Affinity” AND (“binding affinity” OR “protein-protein”)	Sci Data 11:1316
数据本体	site:zenodo.org PPB-Affinity	record 14271435
模型权重	site:huggingface.co ChenPy00/PPB-Affinity	模型仓
增强版	“ppb_affinity” OR arXiv:2505.20036	Proteinea 仓/论文
上游来源	SKEMPI v2.0 / PDBbind v2020 / SAbDab / ATLAS	各自官网

附录 Q：坑点档案（与 §10 对照）

坑	一句话档案	触发场景
坑 1	样本粒度 vs 结构粒度混淆	规模引用
坑 2	Zenodo record 重定向	引用/下载
坑 3	12062 vs 12048 双口径+指标口径不同	数字抽取
坑 4	方法间 pKD 系统偏置	跨方法建模
坑 5	本体/增强版许可不同	商用/再分发
坑 6	结构方法高度偏斜	结构选择
坑 7	按 PDB 去重误删样本	数据清洗
坑 8	作者中文名音译	引用署名
坑 9	pKD 宽动态范围	损失设计
坑 10	AF 子集规模误用	统计/训练

附录 R：检索决策树

你想找什么？
├── PPB-Affinity 本体论文
│   └── doi:10.1038/s41597-024-03997-4（Sci Data 11:1316）
├── 数据本体
│   └── Zenodo record 14271435（v5，CC-BY-4.0）
├── 模型权重
│   └── HF ChenPy00/PPB-Affinity
├── 防泄漏评测集
│   └── HF proteinea/ppb_affinity（注意非商业许可）
├── 上游来源
│   └── SKEMPI v2.0 / PDBbind v2020 / SAbDab / ATLAS / Affinity Benchmark v5.5
└── 库内相关条目
    └── PDB(43) / PDBbind(134) / AlphaFold(40,573)

附录 S：双口径登记表

#	项	口径 A	口径 B	处理
1	样本量	本体 12062	增强版 raw 12048	双记，注明版本
2	基线指标	本体 Pearson 0.701/Spearman 0.691	增强版相对 +12% Spearman	双记，不可直接比
3	Zenodo record	11070823（v1 起）	14271435（v5）	引用 v5
4	作者中文名	拼音音译（未确认）	英文原名（官方）	引用用英文名
5	许可	本体 CC-BY-4.0	增强版 cc-by-nc-sa-4.0	逐层核对

---

尾注

本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-10-03，抓取与核验时点见附录 A。事实陈述以 Nature Scientific Data 2024;11:1316（DOI 10.1038/s41597-024-03997-4）、Zenodo v5（record 14271435）元数据、官方 GitHub 与 HuggingFace 模型仓为源；样本量双口径（12062/12048）、基线指标口径差异、作者中文名音译、增强版非商业许可等原始材料特征已在坑点与附录 S 存照。条目与库内 PDB（rid 43）、PDBbind（rid 134）、AlphaFold（rid 40/573）、Human Protein Atlas（rid 404）、PolyPdb（rid 779）等条目互链，构成蛋白结构与结合亲和力数据的检索面。

附录 T：维护计划与触发点

触发点	条件	动作	优先级
Zenodo 新版本	本体发布 v6+	更新规模、md5 与获取段	1
增强版更新	Proteinea 发布新数据/论文	§7 与附录 K/N 追记	2
上游库更新	SKEMPI/PDBbind 等发新版	§4/附录 E 来源占比变动说明	3
第三方评测	新论文用 PPB-Affinity 报告指标	§5.5 增补对照	4
许可变更	本体或增强版许可调整	§6/附录 I 合规提示更新	5

附录 U：上游五源速查

来源	全称	侧重	库内条目
SKEMPI v2.0	Structural Kinetic and Energetic database of Mutant Protein Interactions	突变对 PP 结合影响	无
PDBbind v2020	PDBbind database	结构-结合综合	rid 134
SAbDab	Structural Antibody Database	抗体-抗原	无
ATLAS	—	PP 相互作用热力学/动力学	无
Affinity Benchmark v5.5	—	经典 PP 亲和力基准	无

附录 V：结构解析方法全表

方法	样本数	占比	典型分辨率
X-RAY	11722	97.18%	约 2.4 Å（总体均值）
NMR	300	2.48%	不适用（溶液态）
EM	30	0.24%	依样本
总体	12062	100.00%	2.40 ± 0.65 Å

附录 W：pKD 分层统计总表

分层	均值	标准差	说明
总体	7.54	2.14	全样本
SPR 子集	6.92	2.05	表面等离子共振
极值	max 15.70 / min 1.32	—	跨度十余数量级

附录 X：AI-Ready/FAIR 检查单

检查项	状态	说明
F1 全局唯一标识	✅	DOI + Zenodo record
F2 富元数据	✅	17 列 + 三层溯源
A1 可访问协议	✅	CC-BY-4.0 直链
A2 元数据可访问	✅	Zenodo API 开放
I1 互操作格式	✅	PDB/XLSX/CSV
I2 词汇表引用	✅	PDB/SKEMPI 标准术语
R1 来源溯源	✅	三层绑定
R3 可复现流程	✅	GitHub 代码 + HF 权重
AI-Ready 综合	优	直链覆盖训练与评测

附录 Y：缩写速查

缩写	全称
PPB	Protein-Protein Binding
PP	Protein-Protein
PPI	Protein-Protein Interaction
KD	Dissociation Constant
pKD	−log10 KD
ΔG	Binding Free Energy
SPR	Surface Plasmon Resonance
ITC	Isothermal Titration Calorimetry
PDB	Protein Data Bank
PLM	Protein Language Model
IPA	Invariant Point Attention
AF	AlphaFold
DAIMS	Discoverability/Accessibility/Interoperability/Metadata/Sustainability
HF	HuggingFace

附录 Z：基于本数据集的研究检查清单（12 项）

1. 许可核对：你的用途落在哪一层（本体/增强版/上游）？商用只能用本体层。
2. 版本声明：下载引用注明 Zenodo v5（record 14271435）。
3. 粒度声明：样本粒度（12062）与结构粒度（3032）分开报。
4. 去重规则：用复合键去重，勿按 PDB 单列去重。
5. 切分口径：报告模型分数必写是否控制序列同一性及阈值。
6. 方法分层：跨测定方法建模时分层或校正系统偏置。
7. 结构偏斜：承认 X-RAY 主导，NMR/EM 任务慎用。
8. 目标范围：pKD 跨度大，做目标标准化或加权。
9. AF 子集边界：95 条只作实验子集，不作主训练。
10. 溯源利用：善用三层溯源做数据审计。
11. 引用完整：本体引 Sci Data 论文，增强版另引 arXiv 2505.20036。
12. 时点存照：许可与版本随发布滚动，注明抓取日期。

附录 AA：引文规范

@article{liu2024ppbaffinity,
  title   = {PPB-Affinity: Protein-Protein Binding Affinity Dataset for
             AI-Based Protein Drug Discovery},
  author  = {Liu, Huaqing and Chen, Peiyi and Zhai, Xiaochen and Huo, Ku-Geng
             and Zhou, Shuxian and Han, Lanqing and Fan, Guoxin},
  journal = {Scientific Data},
  volume  = {11},
  pages   = {1316},
  year    = {2024},
  doi     = {10.1038/s41597-024-03997-4}
}

增强版请另引 arXiv:2505.20036（Proteinea），并注明其 cc-by-nc-sa-4.0 许可。

附录 AB：主表抽样自检建议

• 行数（去重后）应等于 12062；若明显偏少，检查是否误按单列去重。
• Source dataset 列的五个取值应覆盖 SKEMPI v2.0/PDBbind v2020/SAbDab/ATLAS/Affinity Benchmark v5.5。
• Structure Method 列应主要为 X-RAY；若 X-RAY 占比远低于 97%，检查是否混入了其他来源。
• pKD 列均值应接近 7.54；显著偏离说明单位换算或筛选口径有误。
• KD(M) 与 pKD 应满足 pKD ≈ −log10 KD；ΔG 与 KD 应满足热力学换算关系。

附录 AC：常见复现错误排查

现象	可能原因	排查
样本数远少于 12062	按 PDB 单列去重	改用复合键
模型分数异常高	同源泄漏未控制	用 ≤30% 序列同一性切分
pKD 分布异常	单位或换算错误	核对 KD→pKD 换算
两端样本拟合差	未做目标标准化	标准化/加权
商用被拦	用了增强版数据	核对许可层

附录 AD：条目生产档案

• 生产通道：任务派发正选候选 ppb-affinity（三源互证为真实数据集，无改道）
• 事实研究：WebSearch/WebFetch + Nature PDF 抽取（/tmp/ppb_nature.txt，580 行）+ Zenodo API + HuggingFace 镜像核验
• FACTS.md：writing/ppb-affinity/FACTS.md 九节
• 成稿方式：五块直写拼接（part1-5），显式列出文件名拼接，禁用裸 glob
• 坑点：§10 十则（坑 1-10「坑 N：」编号制）
• DAIMS：附录 B 全表 + 综合评级
• 互链计划：新篇正文内链 PDB/PDBbind/AlphaFold/Human Protein Atlas/PolyPdb

附录 AE：术语中英对照补充

中文	英文
蛋白-蛋白结合	protein-protein binding
结合亲和力	binding affinity
解离常数	dissociation constant
结合自由能	binding free energy
突变扫描	mutational scanning
链角色	chain role
受体链	receptor chain
配体链	ligand chain
同源泄漏	homology leakage
序列同一性	sequence identity
结构解析方法	structure determination method
亲和力测定方法	affinity measurement method
评估基准	benchmark
数据划分	data split
溯源	provenance
幂等去重	idempotent deduplication

附录 AF：与同类数据集对比总表

数据集	对象	来源数	PP 专项	突变标注	库内条目
PPB-Affinity	PP	5	✅	✅ 显式	本条目
PDBbind	小分子（含 PP）	1	子集	否	rid 134
SKEMPI v2.0	PP 突变	1	✅	✅	无
SAbDab	抗体-抗原	1	抗体方向	部分	无
PDB	结构本体	1	无亲和力	否	rid 43

附录 AG：数据集规模速记卡

项	值
唯一样本	12062
唯一 PDB 条目	3032
条均样本	约 3.98
主表列数	17
来源数	5
最大来源占比	SKEMPI 55.55%
最大结构方法占比	X-RAY 97.18%
AF 子集	95
发布文件数	4

附录 AH：引用与致谢建议

本条目综合参考 Nature Scientific Data 原文、Zenodo 元数据、官方 GitHub 仓库与 HuggingFace 模型仓。数据使用请遵循 CC-BY-4.0 署名要求；使用增强版请遵循其 cc-by-nc-sa-4.0 非商业许可。条目内容以核验时点为准，后续版本变动见附录 T。

附录 AI：数据集价值的多维拆解

从「AI-Ready 数据」的视角看，PPB-Affinity 的价值可以拆成五个维度，每一维度都对应下游的一种用法：

维度一：监督信号密度。 12062 条带亲和力数值的样本，是训练回归模型所需的「标签密度」。相比只能提供结构、需要另找标签的纯结构库，它把「结构—标签」一步到位地绑定，省去下游自行配对的成本。

维度二：上下文丰富度。 每条样本带受体/配体链、突变、实验条件、结构方法，构成一个多维上下文。这使数据集不仅能做「结构→亲和力」的回归，还能做「突变→ΔΔG」「方法→偏置」「结构质量→预测可靠性」等副任务。

维度三：可审计性。 三层溯源与删除留档，使数据治理研究可以在此基础上开展：例如评估「被删样本是否集中在某来源」「某来源的样本是否系统性偏低亲和力」。

维度四：可对标性。 IPA 基线与增强版协议提供了现成的参照点，新模型可与既有分数横向比较，降低「各说各话」的评测噪声。

维度五：可组合性。 作为聚合产物，它可以与 PDB、AlphaFold、PDBbind 等库按 PDB 编号自由连接，形成更大的分析图景。

附录 AJ：典型研究用例

用例一：PP 亲和力回归模型训练。 用 PPB-Affinity.xlsx 的 12062 条样本做监督训练，输入为复合体结构/序列，输出为 pKD。评测时采用 ≤30% 序列同一性切分以防泄漏。

用例二：突变效应预测（ΔΔG）。 取同一 PDB 下的多条突变样本，构造「野生型→突变型亲和力变化」的对照对，训练突变效应预测模型。

用例三：抗体亲和力成熟。 用 SAbDab 子集（1055 条）训练抗体-抗原亲和力模型，服务抗体工程。

用例四：预测结构可用性评估。 用 AF 子集（95 条）对比「实验结构 vs AlphaFold3 预测结构」在亲和力任务上的表现差异。

用例五：数据治理与偏差分析。 用三层溯源与 samples_deleted.zip 分析来源偏斜、方法偏置与删除偏差。

用例六：跨库迁移学习。 在本数据集预训练，迁移到 PDBbind 的小分子亲和力任务，研究结构与结合表征的跨任务迁移性。

附录 AK：数据质量风险分级

风险项	等级	说明	缓解
同源泄漏	高	不切分则泛化高估	≤30% 序列同一性切分
来源分布失衡	中	两来源主导统计特性	按来源分层报告
结构方法偏斜	中	X-RAY 97.18%	按方法分层或限定
方法间偏置	中	SPR 均值低于总体	方法分层/校正
目标范围宽	中	pKD 1.32–15.70	标准化/加权
许可分层	中	本体/增强版不同	逐层核对
版本重定向	低	旧 record 失效	引用 v5
音译名	低	中文名未确认	用英文原名

附录 AL：快速上手五步

第一步 下载
  └── Zenodo record 14271435：PPB-Affinity.xlsx + PDB.zip（CC-BY-4.0）

第二步 加载与去重
  └── 用复合键 f"{pdb}:{chains}:{mutations}:PMID={affinity_PMID}" 去重

第三步 目标与清洗
  └── 取 pKD 为主目标；按需标准化；分层检查方法/结构偏斜

第四步 切分
  └── 首选 ≤30% 序列同一性切分（可参考增强版 filtered 配置）

第五步 建模与对标
  └── 起手用 HF ChenPy00/PPB-Affinity 的 IPA 基线作参照

附录 AM：与库内 AlphaFold 条目关系声明

PPB-Affinity-AF 子集（95 条）使用 AlphaFold3 预测结构，与库内 AlphaFold 条目（rid 40 与 573）直接相关。需注意库内 AlphaFold 存在两个条目（重复），互链时应明确指向；若未来合并，本条目的互链需同步更新。AF 子集的意义在于它把「预测结构能否用于亲和力任务」变成一个可实验的小规模子问题，是连接结构预测与亲和力预测两端的桥梁。

附录 AN：术语深解——什么是「结合亲和力」

结合亲和力的物理含义是：两个分子（此处为两条蛋白链）在溶液里自发结合成复合体的倾向。热力学上，结合越有利，结合自由能 ΔG 越负；动力学上，结合越紧，解离越慢、KD 越小。三个量之间的关系是：

ΔG = RT · ln(KD)     （R 为气体常数，T 为绝对温度）
pKD = −log10(KD)     （KD 单位为 M）

因此 KD 越小 ↔ pKD 越大 ↔ ΔG 越负 ↔ 结合越紧。PPB-Affinity 同时提供三者，是为了让不同背景的研究者都能找到自己习惯的量纲。理解这三个量的等价关系，是正确使用本数据集的前提——常见错误是把 KD 与 pKD 的单调方向记反，导致模型优化方向出错。

附录 AO：术语深解——什么是「不变点注意力」

不变点注意力（IPA, Invariant Point Attention）最早出自 AlphaFold2 的结构模块，其核心思想是：在三维空间中，蛋白结构的表示应当对刚体变换（旋转与平移）保持不变或等变——即无论复合体在坐标系里怎么摆放，模型对它的理解应一致。IPA 通过在局部坐标系中定义「点」的相对位置来计算注意力权重，从而实现这种几何等变性。PPB-Affinity 用 IPA 作为基线，正是因为它天然适合「结构→亲和力」这类几何敏感的任务。理解 IPA 的等变性思想，有助于判断哪些架构更适合 PPB 亲和力预测。

附录 AP：术语深解——什么是「同源泄漏」

同源泄漏（homology leakage）指训练集与测试集中存在序列或结构高度相似的样本。蛋白数据集尤其容易踩这个坑：同一蛋白家族的不同突变体、同一蛋白的不同物种同源物，序列同一性可能超过 90%。若它们被随机分到训练与测试两侧，模型只要「认出这个家族、记住这个家族的典型亲和力」就能在测试集上拿高分，但这种能力无法泛化到真正的新家族。控制手段就是按序列同一性阈值（本数据集增强版用 30%）做切分，确保跨集样本足够「陌生」。这是蛋白机器学习评测中最容易被忽视、也最影响分数可信度的因素。

附录 AQ：本条目与「AI-Ready」理念的对应

AI-Ready 要素	PPB-Affinity 的对应实现
机器可读格式	PDB 结构 + XLSX/CSV 表格
标准化字段	17 列固定 schema + 复合键
明确许可	CC-BY-4.0（本体，机器可解析）
可溯源	三层 PubMed/来源绑定
可复现	GitHub 代码 + HF 权重 + 固定 md5
可评测	IPA 基线 + 增强版协议
可审计	samples_deleted.zip 留档

这一对应表说明：PPB-Affinity 在「AI-Ready」的七个要素上均有明确实现，是结构化科学数据集工程化的良好范例。

附录 AR：条目信息更新日志

日期	版本	变更
2026-10-03	v1.0	首版成稿：三源互证 + 九节 FACTS + 五块拼接正文 + DAIMS 评估

附录 AS：五来源整合的字段映射示例

PPB-Affinity 的整合工作核心是「把不同来源的不同字段名，映射到统一的 17 列」。下表给出示意性的映射思路（具体以论文与代码仓库为准）：

统一字段	SKEMPI v2.0	PDBbind v2020	SAbDab	ATLAS	Affinity Benchmark
PDB	PDB code	PDB code	PDB code	PDB code	PDB code
受体链	结构链信息	受体链	抗原链	相互作用链	复合体链
配体链	结构链信息	配体链	抗体链	相互作用链	复合体链
Mutations	突变标注	部分	部分	部分	无
KD(M)	亲和力值	结合数据	亲和力	热力学数据	基准值
Affinity Method	实验方法	实验方法	实验方法	方法	方法

这张映射表的意义在于：跨来源整合的难点不在数值本身，而在语义对齐——同一个「链」在不同来源里叫法不同（抗原链/抗体链/受体链/配体链），同一「亲和力」可能以 KD、ΔG、或 IC50 等形式记录，必须逐一统一。

附录 AT：为什么「受体/配体」在 PPB 里是个微妙问题

在蛋白-小分子任务里，受体与配体的界限很清楚：大的是受体（蛋白），小的是配体（小分子）。但在蛋白-蛋白任务里，两者都是蛋白，谁是受体谁是配体往往是约定俗成而非物理必然。常见判定依据包括：

1. 尺寸：较大的链通常记作受体，较小者记作配体；
2. 功能角色：提供结合口袋的一方记作受体；
3. 来源约定：不同来源库可能沿用各自的默认约定。

PPB-Affinity 显式设置 Receptor Chains 与 Ligand Chains 两列，正是为了消除这种歧义——下游构造界面时若不清楚方向，可能把「谁结合谁」搞反，导致模型学到错误的界面表示。这也是本数据集相比「直接把结构丢给你」的裸结构库的一个重要增值。

附录 AU：突变信息的三种用法

数据集中的 Mutations 列可以支撑三类下游任务：

1. 单点突变效应预测：取「野生型样本 + 单点突变样本」，计算亲和力差（ΔΔG），训练突变效应预测器。
2. 多位点组合突变：同一结构下的多点突变样本，用于研究突变的加和/协同效应。
3. 突变致界面重塑分析：结合结构，分析突变残基是否位于界面、是否影响关键相互作用。

三种用法都依赖「同结构、多突变」的对照关系——这正是 SKEMPI 贡献的 6700 条样本（占比 55.55%）的核心价值所在。

附录 AV：AI 制药中本数据集的上下游位置

[基础结构层]  PDB / AlphaFold  ── 提供蛋白三维结构
       │
       ▼
[结合数据层]  SKEMPI / PDBbind / SAbDab / ATLAS / Affinity Benchmark
       │
       ▼  ← PPB-Affinity 在此整合
[统一亲和力层]  PPB-Affinity（12062 样本 + 链角色 + 突变 + 溯源）
       │
       ▼
[模型层]  IPA 基线 / 增强版四架构 / 第三方 PP 亲和力模型
       │
       ▼
[应用层]  抗体亲和力成熟 / 多肽药物设计 / 突变工程 / 虚拟筛选

这张链路图说明：PPB-Affinity 处在「原始结合数据」与「下游模型」之间的关键整合层，向上承接结构资源，向下服务药物设计应用。

附录 AW：许可选择速判

你要做什么？
├── 学术研究（非商业）
│   ├── 用本体 → CC-BY-4.0，署名即可
│   └── 用增强版 → cc-by-nc-sa-4.0，署名+非商业+相同方式共享
├── 商业用途
│   ├── 只用本体 → 可以（CC-BY-4.0），需署名
│   └── 想用增强版 → 不可以（NC 限制）
└── 再分发/发布衍生
    ├── 衍生自本体 → 需署名
    └── 衍生自增强版 → 需署名+非商业+相同方式共享（SA 传染）

「SA（相同方式共享）」的传染性是易被忽视的一点：一旦基于增强版创建衍生数据集，衍生物也必须以 cc-by-nc-sa 兼容许可发布，不能自行改成更宽松的许可。

附录 AX：本条目使用的核心来源清单

来源	用途	抓取方式
Nature Scientific Data 11:1316	论文与硬数字	PDF 抽取（580 行）
Zenodo record 14271435 元数据	许可、发布时间、文件 md5	Zenodo API
GitHub 官方仓库	代码与处理流程	网页/API
HuggingFace ChenPy00/PPB-Affinity	模型权重	hf-mirror 镜像
HuggingFace proteinea/ppb_affinity	增强版数据	hf-mirror 镜像
arXiv 2505.20036	增强版划分与指标	arXiv 页

附录 AY：数据集条目完整性自评

评估项	结论
存在性	✅ 三源互证（论文+Zenodo+代码/模型仓）
规模可查证	✅ 12062/3032 及分布均有论文来源
许可明确	✅ 本体 CC-BY-4.0，增强版 cc-by-nc-sa-4.0
获取可操作	✅ Zenodo 四文件直链 + HF 权重
硬数字落源	✅ 见附录 C 证据链
坑点完备	✅ §10 十则 + 附录 Q 档案
DAIMS 表	✅ 附录 B 全表 + 综合评级
库内互链	✅ 附录 A + §9

附录 AZ：三种读者的一句话导航

• 数据工程师：Zenodo v5 下 PPB-Affinity.xlsx，用复合键去重，注意许可分层（§2.6、坑 5）。
• 模型研究者：本体基线 Pearson 0.701/Spearman 0.691，增强版用 ≤30% 序列同一性切分，别混口径（§5、坑 3）。
• AI 制药从业者：本体可商用、增强版不可，抗体方向看 SAbDab 子集，结构偏 X-RAY（§6、坑 5/6）。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• interactbind — 共享标签：药物发现与化学 / 药物-靶点相互作用 / 分子对接 / 虚拟筛选 / 评测基准
• csar — 共享标签：药物发现与化学 / 药物-靶点相互作用 / 分子对接 / 虚拟筛选 / 评测基准
• bindingdb — 共享标签：药物发现与化学 / 药物-靶点相互作用 / 分子对接 / 虚拟筛选
• dud-e — 共享标签：药物发现与化学 / 分子对接 / 虚拟筛选
• openbind — 共享标签：药物发现与化学 / 分子对接 / 评测基准
• kiba — 共享标签：药物发现与化学 / 药物-靶点相互作用 / 分子对接 / 评测基准
• drugcomb — 共享标签：药物发现与化学 / 药物-靶点相互作用 / 虚拟筛选
• plumber — 共享标签：药物发现与化学 / 药物-靶点相互作用 / 虚拟筛选 / 评测基准
• tcmbank — 共享标签：药物发现与化学 / 药物-靶点相互作用 / 分子对接 / 虚拟筛选
• pdb — 共享标签：药物发现与化学 / 蛋白质组学 / 分子对接

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。