SAbDab2 — 面向机器学习的抗体结构数据库

INFOBOX — SAbDab2 一屏速览

维度	内容
本质	牛津 OPIG 对结构抗体库 SAbDab 的面向机器学习的重构版（ML-grade 数据 + 标准化划分）
前身	SAbDab（2013 首发布 / 2014 NAR 论文）→ SAbDab-nano（2021）→ SAbDab2（2026）
团队	University of Oxford，Oxford Protein Informatics Group (OPIG)，通讯 Charlotte M. Deane
论文	bioRxiv 预印本，DOI 10.64898/2026.06.16.732554（2026-06-16；NAR 正刊待刊）
全量规模	21,237 个抗体实例 / 11,085 个 PDB ID / 6,540 个 SAbDab2 ID（统计截止 2026-05-27）
ML-grade	15,641 条可变区结构（apo 1,739 + holo 13,902；多聚体抗原 1,245），对应 5,301 个 SAbDab2 ID
编号	IMGT（ANARCII 识别编号）；旧版曾用 Chothia/ABnum——Kabat/Chothia 在新论文未讨论
划分	ab-split（仅抗体相似度）/ ab-ag-split（抗体+抗原相似度），目标 8:2，版本化向后兼容
抗原分类	protein / peptide / sugar / DNA / RNA / nucleotide / hapten / ion / water / other 等
许可	CC-BY 4.0（论文结论明确）；官网每周更新
获取	官方站 https://sabdab2.opig.stats.ox.ac.uk（Web 查询+下载）；Zenodo 20083995（splits）
库内互链	PDB（43，上游）、AlphaFold（40）、PDBbind（134）、OAS 序列库（761）、HPA（404）、ProteinGym（813）

SAbDab2 是"给抗体结构数据换一套面向机器的说明书"的工程。它的前身 SAbDab 自 2013 年起一直在收集 PDB 里所有实验测定的抗体结构，被结构预测、抗体设计、SARS-CoV-2 中和抗体研究反复引用。但深度学习时代对数据的诉求变了：模型不再只需要"能被人查的条目"，而需要可批量下载、有标准化训练/测试划分、能避免数据泄漏的高质量结构集。SAbDab2 就是这次重构的产物——它把 SAbDab 的注释流水线升级为 ANARCII + IMGT，引入 10 字符的 SAbDab2 ID 把"同一个抗体在不同 PDB、不同结合状态、不同格式"下的结构归并到一起，并额外发布一套 ML-grade 子集与版本化 train/test 划分。

导语读法三则：

1. 只想下数据训模型：直奔 §6 获取与许可——本体在牛津官网，ML-grade 划分在 Zenodo 20083995，许可 CC-BY 4.0。
2. 关心 SAbDab 与 SAbDab2 的关系：直奔 §0 与 §9——这是同一资源的演进，不是两个数据库，本库只立 sabdab2 一条。
3. 做抗体结构预测评测：直奔 §5 与 §7——ab-split / ab-ag-split 的阈值设计与 8:2 比例是这次重构的核心卖点。

§0 导读：这个数据集解决什么问题

抗体是免疫系统的基本组件，也是最大的一类生物治疗药物。超过 100 个单克隆抗体治疗药物已获 FDA 批准，20 个最成功的抗体药物在 2019 年贡献了约 1,106 亿美元销售额（SAbDab-nano 论文口径）。要理解抗体的结合特性、开发抗体药物，必须知道它们的三维结构。然而 PDB 里的抗体数据长期处于"分散、注释不一致、难以批量获取"的状态：结构分散在不同 PDB 条目里，同一个抗体的构象可能出现在多个沉积中，抗原注释口径各异，且大量重复（同一抗体、近似抗体、同一抗原反复出现）。

SAbDab 在 2013 年给出了第一代答案：一个自动化的流水线，每周从 PDB 抓取新结构、识别抗体链、编号、配对重轻链、指派抗原，并做一致的注释。到 2014 年论文发表时，它收录了 1,624 个抗体结构，约占当时 PDB 总量的 1.75%。此后十多年，PDB 里的抗体结构数量激增（既有生物治疗药物推动，也有冷冻电镜等实验技术进步），抗体格式也日益多样（多特异性抗体、抗体片段、单域抗体），而机器学习对数据的要求又叠加了新一层——标准化、可复现、无泄漏。

SAbDab2 正是对这两股力量的同时回应。第一层是规模与格式：全量收录 21,237 个抗体实例，来自 11,085 个 PDB ID，覆盖 scFv（1,551）、diabody（64）、完整抗体（19）等新构造，抗体类型细分为 FV/FAB/FAB+FC/SD-H/SD-L/VNAR。第二层是组织方式：引入 SAbDab2 ID，用 IMGT 编号把"可变域序列相同"的结构跨 PDB、跨结合态、跨格式归并，让使用者能直接比较同一抗体的 apo 与 holo 构象、研究表位多样性、做冗余过滤。第三层是机器学习适配：从全量里筛出一套 ML-grade 子集（15,641 条可变区结构），并发布两套版本化的 train/test 划分，专门针对文献中普遍存在的"基于日期划分导致数据泄漏"问题。

§0 读法三则：

1. 这个条目是"数据库 + 方法学重构 + 基准划分"三合一：本体是可查询下载的结构库，衍生品是 ML-grade 子集与划分，方法学贡献是 SAbDab2 ID 与 ANARCII 流水线。
2. 全文硬数字暂以 2026-05-27 统计口径为准（21,237 / 11,085 / 6,540）；媒体转述常把"实例数"与"唯一可变区数"混用，务必分清（坑 2）。
3. 检索时若把 sabdab 当作独立数据集去找，会与 sabdab2 撞库——两者是同一资源的先后版本（坑 1）。

§1 数据集速览：十问十答

Q1：SAbDab2 和 SAbDab 是两个数据库吗？
不是。SAbDab2 是 SAbDab 的重构后继。SAbDab 首发布于 2013 年（2014 年 NAR 论文），2021 年加入单域抗体支持（SAbDab-nano，2022 年 NAR 论文），SAbDab2 则是 2026 年面向机器学习的一次系统性重构。现役官方地址是 sabdab2.opig.stats.ox.ac.uk，旧地址 opig.stats.ox.ac.uk/webapps/sabdab 归档。因此本库只立 sabdab2 一条。

Q2："21,237"和"6,540"分别是什么？
21,237 是抗体实例（antibody instances），即唯一抗体结构的数量；6,540 是SAbDab2 ID，即唯一可变区的数量。前者按结构计，后者按可变域序列+编号归并后计。媒体常混用这两个数字（坑 2）。

Q3：数据从哪来？
全部来自 Protein Data Bank (PDB)。SAbDab2 每周增量抓取 PDB 新沉积，用 ANARCII 识别抗体链、IMGT 编号、配对重轻链、指派抗原。它本身不产生实验结构，而是 PDB 抗体子集的注释视图。

Q4：SAbDab2 ID 是什么？
一个 10 字符标识符，前缀 sabdab2_：前 5 位标重链（以 H 开头，如 H0142），后 5 位标轻链（以 L 开头，如 L00YY）。空标识 H0000/L0000 表示该链缺失（即单域抗体）。例：sabdab2_H0142L00YY。它把跨 PDB、跨 apo/holo、跨格式的相同可变区归并到一起。

Q5：用什么编号方案？
IMGT。可变区按 IMGT 位 1–128 裁剪，CDR 按 IMGT 定义。识别与编号工具是 ANARCII（ANARCI 的升级版，基于语言模型）。注意：新论文未讨论 Kabat/Chothia，而旧 SAbDab 曾用 Chothia 编号与 ABnum 工具——检索新旧文献时要留意编号体系差异（坑 3）。

Q6：ML-grade 子集是什么？
从全量里筛出的高质量子集：只取 X 射线和冷冻电镜结构、分辨率 ≤3.5 Å、非致病性抗体、裁剪至可变区。launch 时含 15,641 条可变区结构（apo 1,739 + holo 13,902），对应 5,301 个 SAbDab2 ID。

Q7：train/test 划分有几种？
两种。ab-split 仅基于抗体序列相似度，适合抗原无关场景；ab-ag-split 同时考虑抗体与抗原相似度，适合抗体-抗原复合物、防抗原泄漏。划分是版本化的、向后兼容的，目标 train:test ≈ 8:2。

Q8：为什么划分重要？
文献中流行的"按日期划分"会造成数据泄漏：同一抗体、近似抗体、同一抗原可能同时出现在训练和测试集，使模型测试成绩虚高。标准化的、考虑序列相似度的划分才能公平比较模型（§5、§7 详述）。

Q9：许可和获取方式？
CC-BY 4.0，自由获取。数据库本体在牛津官网（每周更新），ML-grade 划分在 Zenodo（记录 20083995，至少每 6 个月出新版本）。

Q10：为什么它对 AI-Ready 重要？
它是"结构数据面向机器学习重塑"的样本：不仅提供数据，还提供了标准化的划分协议来定义"公平评测"，这正是 AI-Ready 数据集从"能读"到"能复现"的关键一跃。

§2 数据构成与规格

2.1 全量规模与来源

SAbDab2 的全量收录以 PDB 为唯一上游。核心规模数字（统计截止 2026-05-27）：

指标	数值	说明
抗体实例（antibody instances）	21,237	唯一抗体结构数
来源 PDB IDs	11,085	抗体结构所在的 PDB 条目数
SAbDab2 IDs（唯一可变区）	6,540	按可变域序列+IMGT 编号归并
holo 结构（绑定态）	18,907	21,237 中含抗原者
holo 且至少一条链为抗原	15,925	抗原被成功指派者

「抗体实例」与「SAbDab2 ID」的差异揭示了数据的冗余结构：同一个可变区序列可能出现在多个 PDB 沉积、多个结合状态、多种格式中。SAbDab2 ID 机制正是为消除这种冗余的检索困难而生。

2.2 抗体格式与构造类型

SAbDab2 显式支持多种新抗体格式，这是相对旧 SAbDab 的重要扩展：

抗体类型	含义
FV	可变域片段（VH+VL）
FAB	抗原结合片段
FAB+FC	含 Fc 的 Fab
SD-H	单域重链抗体
SD-L	单域轻链抗体
VNAR	鲨鱼来源单域抗体

构造类型进一步细分为 SCFV（单链可变域片段）、DIA-BODY（双抗体）、DVD（双可变域）、CODV、SCDB、OTHER、FULLAB。论文明确给出的构造计数：

构造	结构数	备注
scFv	1,551	最大的一类新格式
Diabody	64
完整抗体（complete antibodies）	19	含 38 个可变域

抗体格式多样化是近年趋势的直接反映：2025 年底处于监管审查的 26 个抗体中有 38% 是非传统格式（论文口径）。旧 SAbDab 对单域抗体的支持直到 2021 年（SAbDab-nano）才建立，而 SAbDab2 将其纳入主线并扩展到 VNAR 等更广的单域类型。

2.3 抗原分类与配对

SAbDab2 对与抗体共存的实体做细粒度类型划分，抗原配对采用距离阈值判定。抗原 entity 类型（论文 Methods）：

• protein（蛋白）
• peptide（肽，<50 个氨基酸的蛋白链）
• peptide/nucleic acid
• sugar（糖）
• DNA / RNA / nucleotide
• hapten（半抗原）
• ion（离子）
• chemical element（化学元素）
• water（水）
• other（其他）

抗原配对的距离阈值（精确引用需注意差异，坑 8）：

判定对象	阈值
蛋白与肽：抗原 Cα/Cβ 距 CDR 残基 Cα/Cβ	≤ 7.5 Å
其他实体（除水外）：任一原子距 CDR 相同原子	≤ 7.0 Å
重/轻链配对：IMGT 位 104 的 Cα 原子距离	< 22 Å（22–28 Å 之间人工评估）

抗原分类的历史对照：旧 SAbDab（2022 SAbDab-nano 论文）给出的抗原类型构成为蛋白、肽、糖、核酸、其他，其中蛋白指 >30 个氨基酸的多肽，肽指 <30 个氨基酸。SAbDab2 把阈值改为 peptide <50 aa，并细化了 DNA/RNA/nucleotide/ion/chemical element/water 等类别——引用两类文献时口径不同（坑 8 的延伸）。

2.4 冗余与代表性问题

SAbDab 与 SAbDab2 都面临同一挑战：某些抗原被过度代表（典型如溶菌酶），某些抗体反复出现，造成数据集内部高度冗余。旧 SAbDab 论文明确指出这种冗余会影响抗体-抗原 docking 等任务，因此提供了基于 CD-HIT 的非冗余数据集创建工具。SAbDab2 的应对则更彻底：SAbDab2 ID 机制本身就是一种结构化的去冗余——同一可变区只对应一个 ID，跨沉积的结构被显式归组，使用者可以据此构建自己的非冗余子集。

对使用者的含义：不要直接把全量 21,237 个实例当作独立同分布样本训练模型。任何基于 SAbDab2 的评测都应先按 SAbDab2 ID 或序列相似度去冗余，否则测试集可能混入与训练集高度同源的样本。

§1b 关键数字一页速记

为避免读者在长文里反复翻找，这里把最常被引用的数字集中列出（统计截止 2026-05-27）：

数字	含义	出处
21,237	抗体实例（唯一抗体结构）	论文
11,085	来源 PDB ID 数	论文
6,540	SAbDab2 ID（唯一可变区）	论文
15,641	ML-grade 可变区结构数	论文
1,739	ML-grade apo 结构数	论文
13,902	ML-grade holo 结构数	论文
1,245	holo 中涉及多聚体抗原者	论文
5,301	ML-grade 对应唯一 SAbDab2 ID	论文
462	apo+holo 均有的 SAbDab2 ID	论文
4,158	仅 holo 的 SAbDab2 ID	论文
219	仅 apo 的 SAbDab2 ID	论文
388	含多聚体抗原的 SAbDab2 ID	论文
18,907	全量 holo 结构	论文
15,925	holo 且抗原链被指派者	论文
1,551	scFv 结构数	论文
64	diabody 结构数	论文
19	完整抗体结构数	论文
38	完整抗体的可变域数	论文
85% / 95%	ab-split / ab-ag-split 的 CDRH3 阈值	论文
8:2	目标 train:test 比例	论文
3.5 Å	ML-grade 分辨率上限	论文
1–128	可变区裁剪 IMGT 位范围	论文
7.5 Å / 7.0 Å	抗原配对距离阈值	论文
22 Å	重轻链配对 Cα 距离上限	论文
1,624	SAbDab 2013 首发布条目数	NAR 2014
1.75%	2013 年抗体结构占 PDB 比例	NAR 2014
5,426	SAbDab（含 nano）2021-09 条目数	NAR 2022

三句提醒：

1. 21,237 ≠ 抗体种类数：它是结构实例数；抗体种类更接近 6,540（唯一可变区）。
2. 15,641 是 ML-grade 的数：不要与全量的 21,237 混用。
3. 旧数（1,624 / 1.75% / 5,426）必须标注年份：它们不代表 SAbDab2 现况。

§3 构建方法与注释流水线

3.1 从 PDB 到 SAbDab2 的处理链路

SAbDab2 的构建是一条全自动、每周运行的流水线。核心步骤：

1. 增量抓取：每周从 PDB 下载新增/更新的结构，格式为 PDBx/mmCIF（2019 年 7 月起成为 PDB 沉积标准；PDB 标识符预计 2028 年变更）。
2. 抗体识别：用 ANARCII 判断某条链是否为可编号的抗体域。
3. IMGT 编号：对识别出的抗体链施加 IMGT 编号。
4. 重轻链配对：依据 IMGT 位 104 的 Cα 距离（<22 Å，22–28 Å 人工评估）配对重链与轻链。
5. 抗原指派：按距离阈值（蛋白/肽 7.5 Å，其他实体 7.0 Å）判定哪些链/实体是抗原。
6. SAbDab2 ID 归并：把可变域序列+IMGT 编号相同的结构归为同一 ID。
7. 注释与发布：附加名称、物种、实验方法、分辨率、序列、CDR、亚组、抗原类型、亲和力（如有）等元数据，发布到官网与汇总表。

3.2 ANARCII：抗体编号工具的升级

旧 SAbDab 使用 ABnum（早期）与 ANARCI（后期）做抗体识别与编号。SAbDab2 升级为 ANARCII——一个基于语言模型的抗体编号工具。论文给出的判定规则（精确引用需注意，坑 7）：

判定场景	规则
unknown 模式	antibody score > 22 → 确定为可编号抗体域
长链处理	链长 > 225 残基 → 用 “SCFV” 模式重新处理
VNAR（鲨鱼单域）	“VNAR” 模式分数需同时超过 “unknown” 模式分数与阈值 15，且需人工验证
中等分数	15–22 且含保守 IMGT 残基 → 人工评估

保守 IMGT 残基（用于辅助判定）：Cys23、Cys104、Trp41，以及位 118 处的 Cys/Phe/Trp/Tyr。这些结构特征在正确折叠的免疫球蛋白域中高度保守，是自动识别抗体域的锚点。

ANARCII 对 VNAR（鲨鱼来源单域抗体）的支持是相对 ANARCI 的重要扩展——传统抗体编号工具主要面向哺乳动物免疫球蛋白，鲨鱼 IgNAR 的可变域折叠不同，需要专门模式。

3.3 SAbDab2 ID：跨沉积的可变区归并

SAbDab2 ID 是这次重构的核心数据结构创新。其结构：

sabdab2_H0142L00YY
        └─重链─┘└─轻链─┘

• 总长 10 字符，前缀 sabdab2_。
• 前 5 字符标识重链，以 H 开头（如 H0142）。
• 后 5 字符标识轻链，以 L 开头（如 L00YY）。
• 空标识符 H0000 与 L0000 表示该链缺失（即单域抗体）。

归并规则：若所有可变域可编号片段完全一致，则不同 PDB ID、不同抗体类型、不同构造的结构被赋予同一 SAbDab2 ID。论文给出两个例子：

• sabdab2_H0142L00YY：一个 Fv 结构（PDB 6vrl，链 B+C）与一个 Fab 结构（PDB 5i66，链 A+B）被归为同一 ID。
• sabdab2_H0043L003X：一个 Fab 结构（PDB 3ru8）与两个 Fv 结构（PDB 8sxi、9nc3）共享同一 Fv 序列，但结合不同抗原——说明同一 SAbDab2 ID 可以对应多个不同抗原。

这一机制的价值：直接比较同一抗体的 apo 与 holo 构象、研究表位多样性、分析同一 Fv 在不同格式（Fv/Fab/scFv）下的行为、简化冗余过滤。SAbDab2 ID 是"以抗体为中心"（而非"以 PDB 条目为中心"）组织数据的体现。

3.4 ML-grade 子集的筛选标准

从全量中筛出 ML-grade 子集的标准（论文口径）：

筛选维度	标准
实验方法	X 射线晶体学 + 冷冻电镜（cryo-EM）
分辨率	≤ 3.5 Å
抗体性质	非致病性抗体
结构裁剪	抗体链裁剪至可变区（IMGT 位 1–128）
质量剔除	位 5–123 出现残基异常则丢弃

筛选结果是 launch 时的 ML-grade 数据集：

指标	数值
可变区结构总数	15,641
apo 结构	1,739
holo 结构	13,902
其中涉及多聚体抗原的 holo	1,245
对应唯一 SAbDab2 IDs	5,301
holo+apo 均有	462
仅 holo	4,158
仅 apo	219
含多聚体抗原	388

关于分辨率分布：论文只给出筛选阈值 ≤3.5 Å，未披露分辨率分布统计（直方图/分位数）。这是遗留疑点，用户无法从论文直接评估数据集的分辨率构成（坑 5、§10）。

§4 数据格式与结构

4.1 输入格式：PDBx/mmCIF

SAbDab2 全面拥抱 PDBx/mmCIF。这是 PDB 自 2019 年 7 月起采用的沉积标准格式，取代了传统的 PDB 格式（PDB format）。PDBx/mmCIF 的优势包括：支持大结构（超过旧 PDB 格式的原子/链数限制）、更丰富且严谨的元数据字典、更好的可扩展性。

选择 mmCIF 有现实理由：抗体-抗原复合物常含多条链、多种实体（蛋白+糖+离子+水），旧 PDB 格式的列宽限制会成为瓶颈。SAbDab2 的流水线直接解析 mmCIF，也意味着它能更完整地捕获抗原实体信息。

4.2 注释字段

每条 SAbDab2 记录携带的注释（沿用 SAbDab 体系并扩展）：

• 名称、物种、实验方法、分辨率
• 氨基酸序列（含 CDR 序列，IMGT 定义）
• 重链与轻链亚组（subgroup）
• 抗体类型（FV/FAB/FAB+FC/SD-H/SD-L/VNAR）
• 构造类型（SCFV/DIA-BODY/DVD/CODV/SCDB/OTHER/FULLAB）
• 抗原类型（protein/peptide/sugar/DNA/RNA/… 等）
• SAbDab2 ID
• 抗原结合亲和力（Ka 或 KD，若有）

旧 SAbDab 的注释体系包括：名称、物种、实验方法、分辨率、序列（含 Chothia CDR 定义）、重轻链亚组、抗原类型、以及可用的抗原结合亲和力值。2022 年 SAbDab-nano 论文口径下，SAbDab 中有亲和力数据的条目为 746 条（其中 87 条为纳米抗体）。SAbDab2 沿用了亲和力注释机制，但改为 IMGT CDR 定义。

4.3 下载与访问

SAbDab2 提供多种访问方式：

访问方式	内容
Web 界面	按 PDB ID / SAbDab2 ID 搜索，按结构/实验元数据、CDR 序列、序列相似度查询
结构数据下载	抗体结构文件
汇总表下载	结构化元数据表（CSV 等）
Zenodo splits	ML-grade train/test 划分文件（记录 20083995）

论文强调 SAbDab2 是同类工具中唯一同时提供下列三者的：① Web 界面；② 用户导向的查询与下载；③ 经策展、带标准化划分的 ML-ready 数据（§8 对照）。

§5 ML-grade 数据与 train/test 划分

5.1 为什么需要标准化划分

机器学习模型，尤其是抗体结构预测与抗体-抗原复合物建模模型，成败高度依赖数据质量与数据划分。核心问题是数据泄漏（data leakage）：

• 抗体侧泄漏：训练集里的抗体与测试集里的抗体序列高度相似（甚至同一抗体）。
• 抗原侧泄漏：训练集与测试集共享相同或高度相似的抗原。

若发生泄漏，模型可能"记住"了训练样本，测试成绩虚高，无法反映真实泛化能力。文献中流行的基于日期划分（按结构发布日切分训练/测试）尤其危险：新发布的抗体结构常是旧结构的近似变体，日期划分无法阻断同源关系。

5.2 两套划分：ab-split 与 ab-ag-split

SAbDab2 发布两套标准化、版本化、向后兼容的划分：

划分	依据	适用场景
ab-split	仅抗体序列相似度	抗原无关（antigen-agnostic）任务
ab-ag-split	抗体 + 抗原序列相似度	抗体-抗原复合物任务（防抗原泄漏）

5.3 聚类阈值

划分基于序列相似度聚类（连通分量分配），阈值如下：

聚类依据	ab-split	ab-ag-split
CDRH3	85%	95%
串联 CDRH123	85%	100%
串联 CDRL123	85%	100%
多聚体抗原（蛋白）	—	40%
多聚体抗原（其他类型）	—	80%

目标 train:test ≈ 8:2（按抗体实例计）。ab-ag-split 的阈值明显更严（CDRH123/CDRL123 达 100%），因为它要同时防范抗体侧和抗原侧的泄漏；抗原侧对蛋白用 40% 相似度阈值、对其他类型用 80%，反映不同实体的序列空间密度差异。

5.4 版本化与向后兼容

划分至少每 6 个月生成一次新版本，且向后兼容：随着新结构加入，历史划分的关系被保留，用户升级版本时不会破坏已有实验的可比性。这是"标准化划分"相对一次性划分的关键优势——它让不同论文、不同时间的评测结果可以在同一协议下对齐。

注意：论文未给出 train/test 各集的具体实例数，只给出方法学阈值与约 8:2 的目标比例（坑 6）。要获得精确划分，需下载 Zenodo 记录 20083995 的文件。

5.5 ML-grade 数据的定位

SAbDab2 的 ML-grade 子集不是简单地"全量裁剪版"，而是经过明确质量门槛（方法、分辨率、致病性、残基完整性）清洗的结果。它的设计目标有三个：

1. 结构预测：提供清洁的可变区结构用于训练/评测抗体结构预测模型。
2. 复合物建模：holo 子集（含抗原）支持抗体-抗原复合物预测任务。
3. 公平评测：配合标准化划分，为不同模型提供可比的测试基准。

对使用者：15,641 条可变区结构中 holo 占绝大多数（13,902），apo 仅 1,739，且仅 462 个 SAbDab2 ID 同时有 apo 和 holo——若研究抗体结合前后的构象变化，可用样本相当有限（§10 坑）。

2.5 抗体—抗原复合物的构成

SAbDab2 的一个核心卖点是抗体—抗原复合物的系统性覆盖。全量数据中：

类别	数量	占比
全部抗体实例	21,237	100%
holo（结合态）	18,907	约 89.0%
holo 且抗原链被成功指派	15,925	约 75.0%

占比之高说明 SAbDab2 收录的抗体结构以复合物为主：绝大多数抗体结构是与抗原或其他分子共结晶/共冷冻的。这既是 PDB 沉积习惯的反映（研究抗体通常关注其结合行为），也意味着若研究"游离抗体构象"，可用的 apo 比例相对偏低。

2.6 与旧版 SAbDab 的规模对照

把三代资源的规模放在一起看，可以直观感受抗体结构数据的增长曲线：

时点	资源	规模	备注
2013（首发布）	SAbDab	1,624 条	约占当时 PDB 的 1.75%
2013（论文）	SAbDab	约 1,600 条，每周约 +6	含 190 条亲和力数据
2021-09-09	SAbDab（含 nano）	5,426 条	亲和力条目 746（87 为纳米抗体）
2026-05-27	SAbDab2	21,237 实例 / 6,540 ID	含多格式与 ML-grade 子集

从 1,624 到 21,237，十余年间抗体结构数据增长约 13 倍。增长的两股动力：生物治疗药物的兴趣推动抗体结构沉积增加；冷冻电镜等技术进步使更大、更难的复合物可解。

2.7 数据冗余的两种视角

冗余在 SAbDab2 中有两种正交视角：

• 结构层冗余（instances vs IDs）：21,237 个实例对应 6,540 个唯一可变区（SAbDab2 ID），平均每个 ID 对应约 3.25 个实例。这说明同一抗体的不同构象/沉积/格式被大量重复收录。
• 序列层冗余（抗原偏斜）：某些抗原（如溶菌酶）被反复使用，导致抗原空间分布极不均匀。

两种冗余都影响机器学习。前者由 SAbDab2 ID 显式组织，后者则需使用者自行按抗原去冗余——SAbDab2 的抗原注释（类型 + 配对）为此提供了基础。

2.8 格式统计的解读

scFv（1,551）远多于 diabody（64）和完整抗体（19），这一分布有明确的现实原因：

• scFv 是工程化的常用格式：由 VH 与 VL 用连接肽连成单链，表达方便、稳定性尚可，是结构生物学与蛋白质工程的高频研究对象。
• diabody 需要特定设计：由两条链组装成双价/双特异性，构造更复杂，沉积数少。
• 完整抗体（含 Fc）难结晶：完整 IgG 分子量大、柔性高、糖基化复杂，完整结构的解析难度高，因此仅 19 个。

对建立"通用抗体模型"的含义：训练数据严重偏向 scFv/Fab/Fv 这类片段格式，完整抗体与多特异性构建体的样本稀少，模型在真实治疗性抗体（多为完整 IgG 或工程化多特异性）上的表现需谨慎评估。

§3b 流水线的工程细节与鲁棒性

3b.1 为什么需要"人工评估"环节

ANARCII 的判定规则里反复出现"人工评估"（15–22 中等分数、22–28 Å 配对距离、VNAR 判定）。这揭示一个事实：全自动抗体编号在边界情况并不可靠。

• 中等分数的链：抗体相似度介于"明确是抗体"和"明确不是"之间，机器学习打分器无法自信判定，需人工介入。
• 重轻链配对的模糊带：IMGT 位 104 的 Cα 距离在 22–28 Å 之间时，配对关系不明确（可能正确配对，也可能是空间相邻的非配对链），需人工确认。
• VNAR 的特殊折叠：鲨鱼单域抗体的折叠与哺乳动物抗体不同，自动判定易误，需人工验证。

对使用者的含义：SAbDab2 的注释质量在大多数清晰案例上可靠，但对边界案例（非常规格式、部分结构）应保持审慎，尤其在做"最前沿格式"研究时。

3b.2 增量更新的挑战

SAbDab2 每周更新，带来一个常被忽视的工程问题：版本漂移。每次增量可能：

• 新增结构（改变规模数字）；
• 因 ANARCII 阈值调整而重新归类旧结构（改变类型/构造标签）；
• 因 PDB 条目修订而更新坐标（改变结构）。

因此，ML-grade 划分的版本化向后兼容设计尤为关键：它确保即使底层数据库每周变化，已发布的 train/test 划分仍可复现。对论文作者的建议：报告实验时注明所用的 SAbDab2 数据版本（下载日期）与划分版本号。

3b.3 与 AlphaFold 时代的关系

抗体结构预测在 AlphaFold2/AlphaFold3、ImmuneBuilder 等工具出现后大幅进步，这反而抬高了实验数据的重要性：预测模型需要实验真值训练与评测，而 SAbDab2 正是最大的抗体实验结构注释源。二者形成正反馈——预测工具越强，对高质量结构数据的需求越大；而 SAbDab2 的标准化划分又成为评测这些工具是否"真的会预测"（而非记忆）的关键。

3b.4 数据质量的多重保证

SAbDab2 的质量控制链：

1. 来源把关：只取 PDB（实验测定，非预测）。
2. 方法把关：ML-grade 只取 X 射线与冷冻电镜（排除 NMR 等低分辨率/溶液态）。
3. 分辨率把关：ML-grade 限 ≤3.5 Å。
4. 残基完整性把关：位 5–123 异常则丢弃。
5. 致病性把关：排除致病性抗体。
6. 冗余把关：SAbDab2 ID 归并 + 划分聚类。

这条六重把关链是 SAbDab2 相对"自己从 PDB 抓数据"的核心增值——它把散落的清洗经验固化成可复现的流水线。

§6 获取方式与许可

6.1 三层获取结构

SAbDab2 的获取比其前身 SAbDab 更"服务化"，形成三层结构：

层级	内容	获取方式	更新节奏
数据库本体	21,237 个抗体实例的完整注释	官方站 https://sabdab2.opig.stats.ox.ac.uk（Web 查询+批量下载）	每周
ML-grade 数据与划分	15,641 条可变区结构 + ab-split / ab-ag-split	Zenodo 记录 20083995	至少每 6 个月
汇总表/结构文件	元数据表、单结构文件	官网下载区	随本体

与旧 SAbDab 相比，SAbDab2 的关键改进是增加了机器可消费的标准化数据包。旧 SAbDab 主要面向"人来查"，提供网页检索与整体数据库下载；SAbDab2 额外提供"模型来训"的 ML-grade 数据与划分。

6.2 许可

• 数据许可：CC-BY 4.0。论文结论明确说明数据以 CC-BY 4.0 提供，“freely available” / “freely accessible”。
• 旧版对照：SAbDab 2014 年论文在牛津机构库（ORA）存档为 CC BY 3.0。两个版本都是宽松的署名许可，商用需署名。
• 论文正文许可：预印本（bioRxiv）版权归作者，具体许可版本未逐字核到（遗留疑点）。
• Zenodo 记录许可：记录页因反爬返回 403，未能直抓；按论文口径记为 CC-BY 4.0（坑 6、§10）。

6.3 与上游 PDB 的许可关系

SAbDab2 的结构数据派生于 PDB。PDB（RCSB/wwPDB）的数据在多数司法辖区属公有领域（public domain）或 CC0，因此 SAbDab2 可以对其自由再注释并以 CC-BY 4.0 发布。使用者若二次分发 SAbDab2 数据，需遵守 CC-BY 4.0 的署名要求，同时建议同时署名上游 PDB 条目。

6.4 使用建议路线

• 做抗体结构预测：下载 ML-grade 可变区结构 + ab-split，按划分训练/测试。
• 做抗体-抗原复合物建模：下载 holo 子集 + ab-ag-split，注意多聚体抗原标注。
• 做表位/柔性分析：用 SAbDab2 ID 归并同一抗体的多构象，直接在官网上按 ID 检索。
• 只要某个抗体的所有已知结构：官网按 SAbDab2 ID 或序列相似度搜索。

§7 评估与基准地位

7.1 SAbDab2 作为基准基础设施

SAbDab2 不只提供数据，它还定义了抗体机器学习评测的划分协议。在它出现之前，抗体结构预测模型、抗体-抗原复合物预测模型的评测划分五花八门，尤其是"按日期划分"盛行，导致：

• 不同论文的测试集不可比；
• 测试集可能被训练集污染，成绩虚高；
• 模型的真实泛化能力被高估。

SAbDab2 的 ab-split / ab-ag-split 是针对这些问题的标准化答案。论文明确其设计动机是"解决文献中普遍存在的、基于日期划分的数据泄漏问题"，并强调划分要"标准化"以便"公平且有意义的模型比较"。

7.2 划分设计的取舍

设计维度	取舍
ab-split 阈值较宽（85%）	适合抗原无关任务，抗体去冗余为主
ab-ag-split 阈值较严（95–100%）	复合物任务，同时防抗体与抗原泄漏
抗原蛋白 40% / 其他 80%	反映蛋白序列空间比糖/核酸等更密集
8:2 目标比例	平衡训练数据量与测试统计功效
连通分量聚类	保证同源组整体归入一侧，杜绝跨集同源
版本化向后兼容	支持跨时间评测对齐

7.3 SAbDab 作为基准的历史

SAbDab（及其派生数据集）在抗体领域长期充当"事实基准"。文献中大量抗体结构预测、抗体-抗原 docking、抗体设计工作都从 SAbDab 创建定制数据集。旧 SAbDab 论文本身提供了：

• ABangle：用五个角度和一个距离刻画 VH-VL 域间取向，用于 Fv 区域分类。
• CDR 聚类：定期对最新 Chothia CDR 做聚类，追踪构象变化与规范构象。
• 非冗余数据集创建工具：基于 CD-HIT，降低抗体/抗原链的序列冗余。

SAbDab2 继承了"数据+工具+基准"的三位一体定位，但把重心从"结构分析工具"转向"机器学习就绪数据"。

7.4 已知的偏差与公平性风险

SAbDab2 的划分虽严谨，但数据集本身的偏差不因划分而消失：

• 沉积偏差：易表达、易纯化、易结晶、药物价值高的抗体与抗原更容易进入 PDB；难表达、构象柔性强、复合物不稳定、膜蛋白相关体系明显不足（旧 SAbDab 论文即指出此问题）。
• 抗原过度代表：某些抗原因结构易解而被反复使用（溶菌酶是经典例子），造成数据集内部偏斜。
• 格式分布偏斜：scFv 达 1,551，而 diabody 仅 64、完整抗体仅 19，新格式的评测样本稀少。
• apo/holo 极不平衡：holo 13,902 vs apo 1,739，做构象变化研究时可配对样本有限。

这些偏差提示使用者：SAbDab2 上的模型成绩需谨慎外推到真实抗体设计场景。

7.5 评分维度速览（DAIMS 参考口径）

维度	评估
可发现性（Discoverability）	高——官网 + Zenodo + 论文一应俱全，提供 API 式查询
可访问性（Accessibility）	高——CC-BY 4.0，无注册墙
可互操作（Interoperability）	高——沿用 PDB/mmCIF、IMGT 通用标准
可复用（Reusability）	高——提供 ML-grade 数据与标准化划分
文档完整度	中高——论文与博客详述；但分辨率分布、各集实例数等细节未披露
更新维护	高——本体每周更新，划分至少每 6 个月

§8 生态与互链点

8.1 与 PDB 的关系

PDB（Protein Data Bank）是 SAbDab2 的唯一上游。SAbDab2 不产生实验结构，而是对 PDB 中所有公开抗体结构做识别、编号、配对、抗原注释与归并。理解这一层关系很重要：SAbDab2 的任何"缺失"要么来自 PDB 本身不含该类结构，要么来自其识别流水线（ANARCII）未捕获。库内互链条目：PDB（rid 43）。

8.2 与同类抗体结构库的关系

论文对比了三类近期出现的抗体结构数据集，SAbDab2 自称是唯一同时具备"Web 界面 + 用户查询下载 + ML-ready 标准化划分"的工具：

数据库	定位	相对 SAbDab2 的差别
SAAINT-DB	综合结构抗体数据库（建模与设计）	无 Web 界面；仅下载；非每周维护
SNAC-DB	抗体/纳米抗体-抗原复合物专库	不含 apo 抗体结构；仅下载；非每周维护；不支持搜索过滤
NAStructuralDB	抗体-抗原相互作用专库	不含 apo 结构；仅下载；非每周维护；不支持搜索过滤

这一对比说明 SAbDab2 的差异化价值：既能人查，也能机读；既含 apo，也有标准化划分。

8.3 与 IMGT / 3Dstructure-DB 的关系

IMGT（国际免疫遗传学信息系统）是 SAbDab2 的编号与基因注释来源：SAbDab2 的可变区裁剪、CDR 定义、基因注释（IMGT-KG）都基于 IMGT 体系。IMGT/3Dstructure-DB 本身也是一个抗体/免疫分子结构库，但它与 SAbDab2 是并列而非嵌套关系——SAbDab2 使用 IMGT 的编号方案（IMGT numbering），但不复制 IMGT/3Dstructure-DB 的条目；两者在抗体结构上有交集，但组织方式与注释侧重不同。

使用含义：熟悉 IMGT 体系的研究者可以无缝迁移到 SAbDab2 的编号；反之，习惯 Kabat/Chothia 的研究者需注意 SAbDab2 已转为 IMGT（坑 3）。

8.4 与 AbDb 的关系

AbDb 是另一类抗体结构集合，以 Kabat 编号体系组织（汇集 PDB 中的抗体结构并按 Kabat 编号）。它与 SAbDab/SAbDab2 有交集（都源自 PDB 抗体结构），但 AbDb 不是 SAbDab2 的官方组件，编号体系（Kabat）也不同。引用时应区分：SAbDab2 用 IMGT，AbDb 用 Kabat。

8.5 与 OAS（Observed Antibody Space）的关系

OAS 是同属 OPIG 的序列库（抗体库测序数据），收录约 24 亿条未配对序列与 150 万条配对序列，经 AIRR 兼容格式整理。SAbDab2 与 OAS 是"结构-序列"的互补：

• SAbDab2：实验测定的结构（数量小、质量高、有三维坐标）。
• OAS：测序得到的序列（数量巨大、无结构）。

两者常被一起用于训练"序列→结构"或"结构→序列"的模型。库内互链条目：OAS 相关（oasbud，rid 761）。

8.6 OPIG 生态

SAbDab2 是 OPIG 免疫信息学套件的一员，同门数据库与工具包括：

资源	定位
STCRDab	T 细胞受体（TCR）结构库
OAS	抗体库测序序列（~2.4Bn unpaired + 1.5Mn paired）
Thera-SAbDab	治疗性抗体结构库（>850 条）
CoV-AbDab	冠状病毒抗体库（>12,500 条）
PLAbDab	专利与文献抗体库（>65,000 条非冗余条目）
SAbPred	抗体结构预测套件
ImmuneBuilder（ABodyBuilder2/NanoBodyBuilder2/TCRBuilder2）	深度学习抗体/纳米抗体/TCR 结构预测
AbLang	抗体序列语言模型
Paragraph	抗原表位（paratope）预测
TAP	治疗性抗体可开发性评估
SPACE2	抗体表位分析

这条生态链意味着 SAbDab2 常作为训练数据喂给 ImmuneBuilder 等预测工具，也是这些工具评测的测试基准来源。

8.7 库内其他可互链点

• AlphaFold（rid 40 / 573）：蛋白质结构预测里程碑，SAbDab2 的实验结构可作为其模型预测的参照真值。
• PDBbind（rid 134）：蛋白-配体结合亲和力数据集，与 SAbDab2 的抗原结合亲和力注释互补。
• Human Protein Atlas（rid 404）：蛋白表达/定位资源，与抗体试剂应用相关。
• ProteinGym（rid 813）：蛋白变异适应度基准，与抗体工程突变效应研究相关。
• CATH（cathaction，rid 937）：蛋白结构域分类，可与抗体折叠分类对照。

4.4 数据字段的组织逻辑

SAbDab2 的注释字段并非随意堆叠，而是围绕三种"视图"组织：

视图	关注字段	服务场景
结构视图	PDB ID、链、坐标、分辨率、方法	结构预测、构象分析
序列视图	可变区序列、CDR 序列、IMGT 编号、亚组	序列模型、人源化、聚类
交互视图	抗原类型、抗原配对、apo/holo、亲和力	复合物建模、表位、docking

三种视图通过 PDB ID 与 SAbDab2 ID 两个主键串联：PDB ID 指向"哪个沉积"，SAbDab2 ID 指向"哪个抗体"。使用者可按需求选择视图——只要结构走 PDB ID，只要抗体走 SAbDab2 ID。

4.5 汇总表的价值

SAbDab2 提供"汇总表下载"，这在工程上很关键：使用者不必逐个下载结构文件再解析，而是先下载汇总表（含元数据），按条件过滤后再取需要的结构文件。这极大降低了构建自定义数据集的成本，也是 SAbDab2 相对"仅提供结构文件"的竞品（如论文对比的几个库）的实用优势。

4.6 与 PDB 格式转换的注意

由于 SAbDab2 全面转向 PDBx/mmCIF，使用旧脚本（假设 PDB 格式列结构的解析器）直接处理 SAbDab2 输出可能出错。建议：

• 用现代解析库（如 gemmi、Biopython 的 MMCIFParser）；
• 注意链标识在 mmCIF 中可能是多字符（旧 PDB 格式仅单字符），SAbDab2 ID 的链标识与 PDB 原始链标识需对齐。

4.7 灵活性 vs 一致性的取舍

SAbDab2 的设计在"灵活性"与"一致性"间取了明确立场：一致性优先。它强制统一编号（IMGT）、统一格式（mmCIF）、统一分类（类型/构造/抗原），代价是使用者若想用其他编号体系（如 Kabat），需自行转换。这种取舍适合机器学习场景（模型需要一致的输入表示），但可能对习惯其他体系的传统结构生物学家造成迁移成本。

§5b 划分协议的方法学解析

5b.1 为什么是"序列相似度"而非"结构相似度"

SAbDab2 用序列相似度（而非结构相似度）做划分，原因有三：

1. 可计算性：序列相似度比对快，能处理上万条结构；结构对齐慢且依赖结构质量。
2. 反射真实泛化：抗体序列决定其结合特异性，序列同源常意味着功能相似——按序列去冗余更贴切地防范"记住近似抗体"。
3. 可复现性：序列比对结果确定，划分可稳定复现。

代价是：序列不同但结构高度相似的抗体可能跨集，理论上留下少量结构层泄漏余地。但论文认为序列层是主要风险来源。

5b.2 连通分量聚类的含义

"连通分量（connected-component）聚类分配"意味着：若 A 与 B 相似、B 与 C 相似，则 A、B、C 归为一组整体分配（不会出现 A 训练、C 测试的拆分）。这比简单配对去重更严格，能防止"相似性链"造成的间接泄漏。

5b.3 ab-ag-split 的抗原阈值设计

ab-ag-split 对抗原的阈值分两档：

• 蛋白抗原 40%：蛋白序列空间密集，40% 相似度即视为同源，需同侧。
• 其他类型 80%：糖、核酸等实体的序列/化学空间较稀疏，80% 才视为同源。

这体现了一个细致的方法学判断：不同抗原类型的"相似"标准不同，不能一刀切。

5b.4 8:2 比例的统计考量

目标 8:2（训练:测试）。这一比例是数据量与统计功效的平衡：抗体结构总量相对神经网络训练需求不算大，若测试集过大则训练数据不足；若测试集过小则评测方差大。8:2 是常见折中。论文未公布各集精确实例数，使用者需下载 Zenodo 文件获知。

5b.5 版本化向后兼容的意义

"版本化向后兼容"是 SAbDab2 划分的一大亮点。它意味着：新版本发布时，历次划分的关系被保留，一篇 2026 年的实验与一篇 2027 年的实验可以在可比协议下对齐。这解决了抗体机器学习领域长期存在的"评测不可比"问题——过去每篇论文自建划分，成绩无法直接比较。

5b.6 对模型开发者的实操建议

• 始终使用官方划分：不要自建随机划分或日期划分，否则成绩可能与文献不可比。
• 报告划分版本：注明所用划分的版本号与下载日期。
• 抗原无关任务用 ab-split：如纯抗体结构预测（不含抗原）。
• 复合物任务用 ab-ag-split：如抗体-抗原 docking、复合物结构预测。
• 警惕数据集偏差：划分解决泄漏，不解决偏斜（坑 12）。

§6b 获取流程实操

6b.1 官网检索方式

SAbDab2 官网支持多维度检索：

检索维度	用途
PDB ID	查某个具体沉积的抗体注释
SAbDab2 ID	查同一抗体的所有已知结构
结构与实验元数据	按分辨率、方法、物种等过滤
CDR 序列	按功能相关区域搜索
序列相似度	找相似抗体

6b.2 下载 Zenodo 划分的注意

Zenodo 记录 20083995 提供划分文件（具体文件名/体积未核到，见坑 9）。使用时建议：

• 记录下载版本（Zenodo 会为每个版本分配标识）；
• 校验文件完整性；
• 注意划分文件与数据库版本的对应关系（划分基于某快照）。

6b.3 版本快照管理

由于数据库每周更新，严肃的机器学习实验应冻结快照：在实验开始时下载固定版本的数据与划分，记录日期，全流程使用该快照。否则复现时的数据可能与实验时不同。

§7b 在抗体 AI 工作流中的位置

7b.1 训练数据角色

SAbDab2 的 ML-grade 子集是抗体结构预测模型的标准训练来源之一。其可变区裁剪（IMGT 1–128）特别适配"只预测可变域"的任务（如 Fv 结构预测），而这正是抗体设计最关心的部分。

7b.2 测试基准角色

ab-split / ab-ag-split 是抗体-抗原复合物预测的测试基准协议。一个新模型若想在抗体领域证明自己，使用 SAbDab2 划分并报告成绩，已成为事实上的规范。

7b.3 与生成式抗体设计的衔接

抗体 de novo 设计模型（生成新抗体序列/结构）需要：(a) 训练数据（SAbDab2 提供）；(b) 评测真值（SAbDab2 提供）。此外，设计的可开发性评估（如 TAP 工具）会比对临床阶段治疗抗体的性质，而这些治疗抗体的结构链接也通过 Thera-SAbDab → SAbDab2 串联。

7b.4 与蛋白质基础模型的衔接

通用蛋白质语言模型/结构模型（如 ESM、AlphaFold 系列）在抗体任务上常表现不佳（抗体 CDR 高度可变、数据偏离通用分布）。SAbDab2 提供的抗体特异数据是微调/评测这些模型抗体能力的关键资源。

§8b 与更广生态的互操作

8b.1 AIRR 标准

SAbDab2 的姊妹库 OAS 采用 AIRR（Adaptive Immune Receptor Repertoire）标准格式。虽然 SAbDab2 本体是结构库，但其序列注释与 AIRR 生态存在潜在互操作——研究者常把 SAbDab2 结构对应的序列与 OAS 的库序列联合分析。

8b.2 IMGT 编号的通用性

IMGT 编号是免疫信息学的通用语言，SAbDab2 采用它意味着其结果可与其他 IMGT 系工具（IMGT/3Dstructure-DB、IMGT/V-QUEST 等）互操作。这降低了跨工具整合成本。

8b.3 PDB 生态

SAbDab2 通过 PDB ID 与整个 PDB 生态互链：任何引用 PDB 6vrl 的工具都能通过 SAbDab2 获得其抗体注释。这种"以 PDB ID 为锚"的设计保证了可追溯性。

8b.4 与蛋白结构分类库的互补

CATH、SCOP 等分类库提供蛋白折叠分类，SAbDab2 提供抗体特异注释。二者互补：CATH 回答"这是什么折叠"，SAbDab2 回答"这是哪个抗体、结合什么抗原"。

§9 库内关系与版本沿革

9.1 SAbDab → SAbDab-nano → SAbDab2 的演进

理解 SAbDab2 必须先理解它不是凭空出现的数据库，而是一条持续十多年的资源线的第三代：

代际	时间	论文	关键变化
SAbDab	2013 首发布 / 2014 论文	NAR 2014, 42(D1):D1140–D1146, DOI 10.1093/nar/gkt1043	首个综合抗体结构库；ABnum/Chothia 编号；ABangle、CDR 聚类、非冗余数据集工具
SAbDab-nano	2021 / 2022 论文	NAR 2022, 50(D1):D1368–D1372（PMC8728266）	加入单域抗体（纳米抗体）子库；抗原类型构成细化
SAbDab2	2026	bioRxiv 2026, DOI 10.64898/2026.06.16.732554	面向 ML 重构；SAbDab2 ID；ANARCII+IMGT；ML-grade 子集与版本化划分；mmCIF 支持

三代的机构（牛津 OPIG）、通讯作者（Charlotte M. Deane）、核心原理（从 PDB 抓取抗体结构并一致注释）一脉相承。规模从 2013 年的 1,624 条增长到 2026 年的 21,237 个实例。

9.2 为什么"sabdab 旧名不单独立项"

这是本库的一项关键决策。旧版 SAbDab 与 SAbDab2 是同一资源的先后版本，理由如下：

1. 官方视其为演进而非并列：SAbDab2 官方描述为"SAbDab 的全面重构"（comprehensive restructuring of SAbDab），SAbDab2 官网即现役入口，旧地址归档。
2. 共享数据来源与原理：两者都从 PDB 抓取、都做 IMGT/Chothia 编号、都做抗原注释——是同一条流水线的不同代数。
3. 避免版本撞库：按本库的证伪纪律（R002 模式 (2)：版本后继数据集如 chestx-ray8 / mimic-cxr-jpg-2.0 等应合并视图），同一资源的旧版不应另立条目。
4. 写作上交代沿革：旧版的历史、论文、规模数字在本文 §0、§9 完整交代，读者不会因缺少 sabdab 独立条目而信息缺失。

因此，本库只立 sabdab2 一条，sabdab 作为别名/前身在本条目内叙述，不单独立项。

9.3 与 PDB / IMGT / AbDb / OAS 的关系总表

资源	关系类型	说明
PDB	上游数据源	SAbDab2 的全部抗体结构来自 PDB；本库互链 rid 43
IMGT	编号/注释来源	IMGT numbering 与 CDR 定义体系；IMGT/3Dstructure-DB 为并列结构库
AbDb	并列抗体结构集	按 Kabat 编号组织，与 SAbDab2 有交集但非其组件
OAS	同门互补（序列侧）	OPIG 抗体序列库；SAbDab2 为结构侧，二者"结构-序列"互补；库内 oasbud rid 761
SAAINT-DB / SNAC-DB / NAStructuralDB	同类竞品	论文对比对象；均缺 Web 界面或不含 apo、非每周维护
Thera-SAbDab / CoV-AbDab / PLAbDab / STCRDab	同门姊妹库	OPIG 生态，分别覆盖治疗抗体/新冠抗体/专利文献抗体/TCR 结构

9.4 库内互链建议

候选条目	rid	互链理由
PDB	43	直接上游数据源
AlphaFold	40 / 573	蛋白结构预测对照
PDBbind	134	结合亲和力数据互补
OAS（oasbud）	761	抗体序列侧同门互补
Human Protein Atlas	404	抗体应用与蛋白靶点
ProteinGym	813	抗体变异适应度研究
CATH（cathaction）	937	蛋白折叠分类对照

（rid 以主会话 DB 反查为准；本节仅为建议清单。）

§10 坑点与注意事项

坑 1：sabdab 旧名不单独立项（版本撞库）

旧版 SAbDab 与 SAbDab2 是同一资源的先后版本。sabdab2.opig.stats.ox.ac.uk 是现役地址，旧 opig.stats.ox.ac.uk/webapps/sabdab 归档。本库只立 sabdab2 一条，禁止把 sabdab 当独立数据集重复入库（对照 R002 版本后继模式）。

坑 2：instances ≠ IDs ≠ ML-grade 结构数

三个数字极易混淆：

• 21,237 = 抗体实例（antibody instances，唯一结构）。
• 6,540 = SAbDab2 ID（唯一可变区）。
• 15,641 = ML-grade 可变区结构数。
  媒体与二手转述常把 21,237 直接说成"抗体数"或漏掉 ML-grade 子集的 15,641。引用时必须带口径与统计截止日（2026-05-27）。

坑 3：编号方案已从 Chothia 转向 IMGT

SAbDab2 全面使用 IMGT 编号（ANARCII 工具），论文未讨论 Kabat/Chothia。而旧 SAbDab 使用 Chothia 编号（ABnum 工具）并提供 Chothia CDR 聚类。检索新旧文献时，Chothia CDR 定义与 SAbDab2 的 IMGT CDR 定义不能直接对应。熟悉 Kabat/Chothia 的研究者需做编号体系转换。

坑 4：纳米抗体无独立计数

论文未给出 SAbDab2-nano / 单域抗体（SD-H/SD-L/VNAR）的总数。旧 SAbDab-nano 论文有纳米抗体相关数据（如亲和力条目 87 条为纳米抗体；2021-09-09 时 SAbDab 总量 5,426 条含 nano 子集），但 SAbDab2 的纳米抗体规模无法从论文直接获得。引用纳米抗体计数时须注明来源与时间。

坑 5：分辨率分布未披露

SAbDab2 论文只给出 ML-grade 筛选阈值 ≤3.5 Å，未提供分辨率分布（直方图或分位数）。用户无法从论文评估数据集的分辨率构成，也无法判断质量集中在哪一档。

坑 6：train/test 具体实例数未公布

论文只给出划分的方法学阈值（CDR 相似度百分比）与约 8:2 的目标比例，未给出各集的具体实例数。复现划分需下载 Zenodo 记录 20083995 的文件。

坑 7：ANARCII 判定阈值细节

ANARCII 的判定规则（unknown 模式 score > 22；链长 > 225 用 SCFV 模式；VNAR 需超阈值 15 且人工验证；15–22 中等分数人工评估）是流水线的内部参数，随版本可能调整。引用时应注明来自 2026 论文口径。另外 ANARCII 与 ANARCI 名称相近但不同代，勿混。

坑 8：抗原距离阈值有差异

蛋白/肽的抗原配对阈值是 7.5 Å（Cα/Cβ 距 CDR Cα/Cβ），而其他实体（除水）是 7.0 Å。重/轻链配对用 IMGT 位 104 的 Cα 距离 <22 Å（22–28 Å 人工评估）。这些阈值不统一，引用时勿简化成"一个距离阈值"。

坑 9：Zenodo 记录 403，文件明细未核

zenodo.org/records/20083995 因反爬返回 403 Forbidden（“unusual traffic from your network”），未能直抓文件清单与体积。许可与内容按论文口径记录，具体文件名/大小属遗留疑点。

坑 10：覆盖 PDB 比例是旧数

旧 SAbDab 论文口径"约占 PDB 的 1.75%“（1,624/PDB，2013 年）不是 SAbDab2 的新数。SAbDab2 论文给出的是绝对数（21,237 实例 / 11,085 PDB ID），未直接给"占 PDB 比例”。勿张冠李戴。

坑 11：论文正刊状态待核

SAbDab2 目前以 bioRxiv 预印本（DOI 10.64898/2026.06.16.732554，2026-06-16）呈现，NAR 正刊卷期/DOI 未核到（可能仍在审）。引用时以 bioRxiv DOI 为准，且注意预印本内容可能随正式发表修订。

坑 12：数据集偏差不因划分消失

ab-split / ab-ag-split 解决了划分层面的数据泄漏，但数据集本身的偏斜（沉积偏差、抗原过度代表如溶菌酶、格式分布偏斜、apo/holo 极不平衡）依然存在。在 SAbDab2 上取得的高分需谨慎外推。旧 SAbDab 论文已明确指出抗体/抗原结构序列高度冗余。

§FAQ 常见问题

FAQ 1：SAbDab2 是新的实验数据集吗？
不是。它是 PDB 中已有抗体结构的重新注释与组织，不做新实验、不产生新结构。

FAQ 2：我能商用吗？
可以，CC-BY 4.0 允许商用，但需署名。注意上游 PDB 数据本身的许可状态。

FAQ 3：多久更新一次？
数据库本体每周更新；ML-grade 数据与划分至少每 6 个月出新版本。

FAQ 4：和 AlphaFold 预测的抗体结构是什么关系？
互补关系。AlphaFold 等工具预测结构，SAbDab2 提供实验真值；SAbDab2 常被用作预测模型的训练/测试数据。

FAQ 5：为什么用 IMGT 而不用 Kabat？
IMGT 是当前免疫信息学的通用标准，且是 SAbDab2 编号系统的基础。论文未说明弃用 Kabat 的理由，但 IMGT 跨抗体/受体统一，便于 ANARCII 自动化。

FAQ 6：一个 SAbDab2 ID 对应几个抗原？
可以对应多个。论文举例 sabdab2_H0043L003X 下的结构结合不同抗原（Epitope Scaffold、gp160、gp120 等）。

FAQ 7：单域抗体怎么表示？
用空轻链标识。如 sabdab2_H0142L0000 表示只有重链（单域重链抗体）；类型含 SD-H、SD-L、VNAR。

FAQ 8：ML-grade 和全量差多少？
全量 21,237 个实例 → ML-grade 15,641 条可变区结构（约 74%），主要因分辨率、方法、致病性、残基完整性筛选而减少与形态转换。

FAQ 9：怎么避免在我的评测里引入泄漏？
使用官方 ab-split（抗原无关）或 ab-ag-split（复合物）划分，不要自行按日期或用全量随机划分。

FAQ 10：为什么"instances"比"IDs"多那么多？
因为同一可变区序列可出现在多个 PDB 沉积、多个结合态、多种格式中。21,237 个实例被归并为 6,540 个唯一可变区（SAbDab2 ID）。

FAQ 11：怎么找某个抗体的所有已知结构？
用 SAbDab2 ID 检索。同 ID 下的结构共享可变域序列，覆盖不同 PDB/格式/结合态。

FAQ 12：SAbDab2 支持 mmCIF 吗？
支持。PDBx/mmCIF 是其输入格式（PDB 自 2019-07 起的沉积标准）。

FAQ 13：旧 SAbDab 的 ABangle / CDR 聚类工具还在吗？
SAbDab2 论文重心转向 ML 数据；旧 SAbDab 的 ABangle、CDR 聚类、CD-HIT 非冗余工具属历史功能，SAbDab2 用 SAbDab2 ID 机制替代了冗余过滤的主要用途。

FAQ 14：能拿到抗原结合亲和力数据吗？
可以，SAbDab 体系一直注释亲和力（Ka/KD，若有）。旧口径下 SAbDab 有 746 条含亲和力（其中 87 条纳米抗体）。SAbDab2 沿用该注释机制。

FAQ 15：为什么有的结构没有轻链？
单域抗体（nanobody/VNAR/SD-H/SD-L）天然缺一条链，SAbDab2 ID 用 H0000 或 L0000 表示缺失。

§10b DAIMS 数据成熟度评估表

DAIMS（Data and Analytics Interoperability Maturity Standard）从多个维度评估数据资产的成熟度。下表为 SAbDab2 的逐项评估（参考口径）：

DAIMS 维度	评分	依据
数据治理（Governance）	高	OPIG 长期维护，署名的责任团队与通讯作者明确
数据发现（Discovery）	高	官网、论文、Zenodo、博客多入口；检索维度丰富
数据获取（Access）	高	CC-BY 4.0，无注册墙，Web + 批量下载
数据描述（Description）	中高	论文详述流水线；但分辨率分布、各集实例数等未披露
数据质量（Quality）	高	六重把关（来源/方法/分辨率/残基/致病性/冗余）
数据血缘（Lineage）	高	明确上游 PDB，PDB ID 可追溯
数据标准（Standards）	高	IMGT 编号、PDBx/mmCIF、AIRR 生态兼容
数据时效（Timeliness）	高	本体每周更新，划分至少每 6 个月
数据互操作（Interoperability）	高	与 PDB/IMGT/OAS 生态无缝衔接
数据可复用（Reusability）	高	ML-grade 子集 + 标准化划分，直接可用
数据许可清晰度（Licensing）	高	CC-BY 4.0 明确
数据可复现（Reproducibility）	中高	划分版本化，但需冻结快照；细节披露不足
数据偏差披露（Bias Disclosure）	中	论文承认冗余/沉积偏差，但无量化偏差报告
数据可扩展（Extensibility）	高	增量更新机制成熟，格式支持新构造

总评：SAbDab2 在"可发现、可获取、可互操作、可复用"四个核心维度表现优秀，体现了"AI-Ready"数据集的高成熟度；主要短板在文档细节披露（分辨率分布、各集实例数）与偏差量化，属"中"档。这与它作为机器学习基础设施的定位相符——它优化了"机器可消费性"，但在"人可审计性"上仍有提升空间。

§10c 方法学启示：从 SAbDab2 看 AI-Ready 结构数据

SAbDab2 的重构过程为其他生物结构数据集提供了若干可借鉴的原则：

10c.1 主键设计决定数据可用性

SAbDab2 ID 的设计是这次重构的精髓。传统结构库以"PDB 条目"为主键，导致同一抗体的多个沉积分散各处；SAbDab2 引入"以抗体为中心"的主键，把跨沉积、跨状态、跨格式的同源结构归并。这一设计直接赋能了 apo/holo 比较、表位分析、冗余过滤等下游任务。启示：生物数据集的可用性很大程度取决于其主键/索引设计是否匹配下游任务的需求。

10c.2 标准化划分是基础设施的一部分

把 train/test 划分作为数据资产正式发布（而非让用户自建），是 SAbDab2 相对前代的关键跃迁。它把"公平评测"从"论文作者的自觉"变成"数据提供方的承诺"。启示：AI-Ready 数据集不仅要提供数据，还要提供可比的评测协议。

10c.3 版本化是长期主义的体现

“每周更新 + 至少每 6 个月发布划分 + 向后兼容”，这种节奏设计承认了数据的动态性。启示：生物数据不是静态快照，数据集设计必须内置版本管理与向后兼容机制。

10c.4 多格式支持的必然性

从旧 SAbDab 的 Chothia/PDB 格式转向 SAbDab2 的 IMGT/mmCIF + 多构造支持，反映了抗体领域本身的演化（新格式涌现）。启示：数据集需要跟随领域演化扩展覆盖，否则会因"看不见新事物"而失效。

10c.5 人机协同在自动化流水线中的保留

ANARCII 自动化程度高，但在边界情况保留人工评估环节。启示：完全自动化并非总是最优，在质量敏感的边界保留人工把关是负责任的做法。

§10d 常见误区澄清

误区 1：SAbDab2 = SAbDab + 更多数据。
不完全。它不只是"加量"，而是结构性的重构：新主键（SAbDab2 ID）、新编号体系（IMGT/ANARCII）、新数据交付物（ML-grade 子集与划分）。这是质变而非单纯量变。

误区 2：SAbDab2 里的结构都是"好结构"。
不全量如此。只有 ML-grade 子集经过质量门槛（≤3.5 Å 等）；全量 21,237 个实例包含各种分辨率、方法、质量水平的结构。使用全量数据时需自行按需过滤。

误区 3：用 SAbDab2 就不会有数据泄漏。
不对。只有使用官方划分才能有效防泄漏；若自行随机划分或按日期划分，泄漏风险依旧。数据集的划分协议是"防泄漏工具"，不是"防泄漏保证"。

误区 4：SAbDab2 ID 相同就是同一个抗体。
约等于，但需注意：SAbDab2 ID 按可变域序列+IMGT 编号归并，同一 ID 的结构共享可变区序列，但可能结合不同抗原（如论文的 sabdab2_H0043L003X 例子）。"同一抗体"在抗原结合层面未必相同。

误区 5：SAbDab2 只收录人源抗体。
不对。它收录所有 PDB 中的抗体结构，含各种物种（人、鼠、骆驼科、鲨鱼等）。物种是注释字段之一。

误区 6："抗体数"就是 21,237。
需区分口径。21,237 是抗体实例（唯一结构），6,540 是唯一可变区。若按"不同抗体分子"算，6,540 更接近；若按"不同结构条目"算，21,237 才准确。

误区 7：CC-BY 4.0 意味着可以去掉署名。
不对。CC-BY 要求署名。二次分发 SAbDab2 数据需保留署名，建议同时署名上游 PDB。

误区 8：SAbDab2 论文已经正式发表。
截至本条目整理时，SAbDab2 以 bioRxiv 预印本形式呈现，正刊状态未核到。引用时注意版本。

§11 事实清单

本清单汇总条目的关键硬数字与事实，均来自 FACTS.md 与一手来源（官方站、bioRxiv 预印本、OPIG 博客、旧版 NAR 论文）。未核到者一律标注遗留疑点，绝不编造。

11.1 身份与归属

事实	值	来源
全称	Structural Antibody Database 2 (SAbDab2)	论文/官网
定位	面向机器学习的抗体结构数据库（SAbDab 重构版）	论文
机构	Oxford Protein Informatics Group, Dept. of Statistics, University of Oxford	论文
通讯作者	Charlotte M. Deane	论文
作者	Henriette L. Capel, Odysseas Vavourakis（共同一作）, Benjamin H. Williams, Christopher R. Taylor, Charlotte M. Deane	论文
官网	https://sabdab2.opig.stats.ox.ac.uk	官方
预印本 DOI	10.64898/2026.06.16.732554	bioRxiv
预印本日期	2026-06-16	bioRxiv

11.2 时间线

事件	时间
SAbDab 首发布	2013
SAbDab NAR 论文	2014（42(D1):D1140–D1146）
SAbDab-nano 支持加入	2021
SAbDab-nano NAR 论文	2022（50(D1):D1368–D1372）
SAbDab2 预印本	2026-06-16
数据统计截止日	2026-05-27
PDBx/mmCIF 成为沉积标准	2019-07
PDB 标识符预计变更	2028

11.3 规模硬数字（统计截止 2026-05-27）

指标	数值
抗体实例（唯一结构）	21,237
来源 PDB IDs	11,085
SAbDab2 IDs（唯一可变区）	6,540
holo 结构	18,907
holo 且含抗原链	15,925
scFv 结构	1,551
Diabody 结构	64
完整抗体结构	19（含 38 个可变域）

11.4 ML-grade 子集（launch 时）

指标	数值
可变区结构总数	15,641
apo	1,739
holo	13,902
holo 含多聚体抗原	1,245
对应唯一 SAbDab2 IDs	5,301
holo+apo 均有	462
仅 holo	4,158
仅 apo	219
含多聚体抗原	388
筛选方法	X 射线 + 冷冻电镜
筛选分辨率	≤ 3.5 Å
裁剪范围	IMGT 位 1–128
质量剔除	位 5–123 残基异常

11.5 划分（ab-split / ab-ag-split）

聚类依据	ab-split	ab-ag-split
CDRH3	85%	95%
串联 CDRH123	85%	100%
串联 CDRL123	85%	100%
多聚体抗原（蛋白）	—	40%
多聚体抗原（其他）	—	80%
目标比例	train:test ≈ 8:2	同

11.6 编号与阈值

项	值
编号方案	IMGT
编号工具	ANARCII
unknown 模式判定	score > 22
长链重处理	链长 > 225 用 SCFV 模式
VNAR 判定	超 unknown 分且 > 15，人工验证
保守 IMGT 残基	Cys23、Cys104、Trp41、位 118
抗原配对（蛋白/肽）	≤ 7.5 Å
抗原配对（其他实体）	≤ 7.0 Å
重轻链配对	IMGT 位 104 Cα < 22 Å

11.7 许可与获取

项	值
数据许可	CC-BY 4.0
旧版许可	SAbDab 2014 论文 CC BY 3.0（ORA）
本体更新	每周
划分更新	至少每 6 个月
本体入口	sabdab2.opig.stats.ox.ac.uk
划分入口	zenodo.org/records/20083995

11.8 遗留疑点（未核到，如实标注）

• NAR 正刊 DOI/卷期页面（预印本 2026-06-16，正刊状态未核到）
• Zenodo 记录 20083995 的具体文件数与体积（记录页 403 反爬）
• SAbDab2-nano / 单域抗体的独立计数（论文未给出）
• train/test 各集具体实例数（论文仅给阈值与比例）
• SAbDab2 占 PDB 的比例（论文仅给绝对数；旧文 1.75% 是 2013 口径）
• 预印本正文的具体 license 版本（未逐字核到）
• 分辨率分布统计（论文仅给 ≤3.5 Å 阈值）

§12 术语表

术语	英文	释义
抗体	antibody	免疫系统产生的 Y 形蛋白，能特异性结合抗原
抗体实例	antibody instance	唯一抗体结构条目（SAbDab2 计 21,237 个）
SAbDab2 ID	SAbDab2 ID	10 字符标识符，按 IMGT 编号归并相同可变区
可变区	variable region / variable domain	抗体识别抗原的域（VH/VL），序列高度可变
CDR	complementarity determining region	互补决定区，抗体结合抗原的环区（CDRH1-3、CDRL1-3）
CDRH3	CDR heavy chain 3	重链第三互补决定区，多样性最高，常作相似度聚类依据
Fv	fragment variable	仅含 VH+VL 的可变域片段
Fab	fragment antigen-binding	含 VH+VL+CH1+CL 的抗原结合片段
scFv	single-chain variable fragment	VH 与 VL 用连接肽连成的单链片段
diabody	diabody	双特异性小抗体构造
单域抗体	single-domain antibody	仅一条链的抗体（如 VHH/nanobody、VNAR）
纳米抗体	nanobody / VHH	骆驼科重链抗体的单域可变区
VNAR	variable domain of IgNAR	鲨鱼单域抗体可变区
IMGT	ImMunoGeneTics	国际免疫遗传学信息系统；SAbDab2 的编号体系
Kabat / Chothia	Kabat / Chothia	另两套抗体编号/CDR 定义体系（SAbDab2 未采用）
ANARCII	ANARCII	基于语言模型的抗体识别与编号工具（ANARCI 的升级版）
ANARCI	ANARCI	旧版抗体编号工具（旧 SAbDab 使用）
ABnum	ABnum	旧 SAbDab 早期抗体编号工具
apo	apo	未结合抗原的抗体结构（游离态）
holo	holo	已结合抗原/配体的抗体结构（结合态）
抗原	antigen	被抗体识别的靶分子
表位	epitope	抗原上被抗体识别的位点
半抗原	hapten	小分子抗原（需载体才能引发免疫应答）
多聚体抗原	multi-polymer antigen	由多条链组成的抗原
数据泄漏	data leakage	训练/测试集含同源样本导致测试成绩虚高
划分	split	训练/测试集切分方式（ab-split / ab-ag-split）
PDB	Protein Data Bank	全球蛋白/核酸三维结构仓库
PDBx/mmCIF	PDBx/mmCIF	PDB 的结构文本格式（2019-07 起沉积标准）
PDB ID	PDB ID	PDB 条目四字符标识（如 6vrl）
冷冻电镜	cryo-EM	冷冻电子显微镜（结构测定方法之一）
分辨率	resolution	结构数据质量指标（越小越精细）
去冗余	redundancy filtering	剔除高度相似样本
CD-HIT	CD-HIT	常用的序列去冗余工具（旧 SAbDab 使用）
OPIG	Oxford Protein Informatics Group	牛津蛋白信息学组（本库开发方）
OAS	Observed Antibody Space	OPIG 的抗体序列库
Thera-SAbDab	Therapeutic Structural Antibody Database	OPIG 的治疗性抗体库
SAAINT-DB	SAAINT-DB	综合抗体结构数据库（对比对象）
SNAC-DB	SNAC-DB	抗体-抗原复合物专库（对比对象）
NAStructuralDB	NAStructuralDB	抗体-抗原相互作用库（对比对象）
CC-BY 4.0	Creative Commons Attribution 4.0	署名即可自由使用的许可协议
DAIMS	Data and Analytics Interoperability Maturity Standard	数据互操作成熟度评估框架

§13 附录

附录 A：SAbDab2 ID 结构详解

sabdab2_H0142L00YY
│       │    │
│       │    └── 轻链标识（5 字符，L 开头；L0000 表示无轻链）
│       └─────── 重链标识（5 字符，H 开头；H0000 表示无重链）
└─────────────── 固定前缀

• 总长：10 字符（不含前缀 sabdab2_）。
• 论文示例：
  • sabdab2_H0142L00YY：PDB 6vrl（Fv，链 B+C）与 PDB 5i66（Fab，链 A+B）共享。
  • sabdab2_H0043L003X：PDB 3ru8（Fab）与 PDB 8sxi、9nc3（Fv）共享，结合不同抗原。

附录 B：抗体类型与构造类型速查

抗体类型（6 类）：FV、FAB、FAB+FC、SD-H、SD-L、VNAR

构造类型（7 类）：SCFV、DIA-BODY、DVD、CODV、SCDB、OTHER、FULLAB

附录 C：抗原 entity 类型

protein、peptide（<50 aa）、peptide/nucleic acid、sugar、DNA、RNA、nucleotide、hapten、ion、chemical element、water、other

附录 D：SAbDab2 数据流向图（文字版）

   PDB（RCSB/wwPDB）
        │  每周增量抓取（PDBx/mmCIF）
        ▼
   ANARCII 识别抗体链 + IMGT 编号
        │
        ├── 重轻链配对（IMGT 104 Cα < 22 Å）
        ├── 抗原指派（蛋白/肽 7.5 Å；其他 7.0 Å）
        └── SAbDab2 ID 归并（可变区序列+编号）
        ▼
   全量注释（21,237 实例 / 6,540 ID）→ 官网（每周更新）
        │
        │  筛选：X 射线/cryo-EM，≤3.5 Å，非致病，IMGT 1–128
        ▼
   ML-grade 子集（15,641 条可变区结构 / 5,301 ID）
        │
        │  聚类划分（ab-split / ab-ag-split，目标 8:2）
        ▼
   Zenodo 20083995（版本化 train/test splits）

附录 E：与本库其他条目的对照表

维度	SAbDab2	PDB	AlphaFold	OAS
数据类型	抗体结构注释	通用生物结构	预测结构	抗体序列
规模量级	21,237 实例	数十万条目	2 亿+ 预测	24 亿+ 序列
是否实验	是	是	否（预测）	是（测序）
本源/派生	派生自 PDB	本源	派生自 PDB 序列	本源
许可	CC-BY 4.0	公有领域/CC0	CC-BY 4.0	依子集

附录 F：引用与检索建议

• 引用规范：优先引用 bioRxiv 预印本 DOI（10.64898/2026.06.16.732554）；若正刊发表后应改引正刊。
• 检索关键词：SAbDab2、structural antibody database、antibody structure ML dataset、ab-split、ab-ag-split、SAbDab2 ID。
• 与旧文献辨析：见到"SAbDab"应判断是 2014 版还是 SAbDab2；见到 Chothia 编号多为旧版，IMGT 编号多为新版。

尾注

1. 本文硬数字以 2026-05-27 数据库统计口径为准；本体每周更新，实时数字请查官网。
2. 论文目前为 bioRxiv 预印本（2026-06-16），正刊状态待核，引用时注意版本。
3. 许可为 CC-BY 4.0（论文结论明确）；上游 PDB 数据另遵其自身条款。
4. 本文三源互证：官方站 sabdab2.opig.stats.ox.ac.uk、bioRxiv 预印本、OPIG 博客 + 旧版 NAR 论文佐证。
5. 遗留疑点（NAR 正刊卷期、Zenodo 文件明细、纳米抗体计数、train/test 具体实例数、分辨率分布、覆盖 PDB 比例新数）已在 §11.8 与 §10 如实标注。
6. 库内只立 sabdab2 一条，sabdab 为同一资源旧版（2014 起），不单独立项（§9.2）。
7. 互链点 rid 以主会话 DB 反查为准；本文 §9.4 仅为建议清单。
8. 本条目由千方病案医数集编辑部整理，事实以一手来源为准；如发现数字与官方最新口径不符，以官方为准。

附录 G：三代 SAbDab 论文速查

代际	论文	DOI/标识	首发规模
SAbDab	Dunbar et al., NAR 2014, 42(D1):D1140–D1146	10.1093/nar/gkt1043	1,624 条（2013）
SAbDab-nano	Schneider, Raybould, Deane, NAR 2022, 50(D1):D1368–D1372	PMC8728266	5,426 条（2021-09，含 nano）
SAbDab2	Capel, Vavourakis, Williams, Taylor, Deane, bioRxiv 2026	10.64898/2026.06.16.732554	21,237 实例（2026-05）

附录 H：SAbDab2 相关的 OPIG 资源矩阵

资源	类型	主体内容	与 SAbDab2 关系
SAbDab2	抗体结构库	实验抗体结构注释	本条目
STCRDab	TCR 结构库	T 细胞受体结构	同门（结构）
OAS	抗体序列库	~2.4Bn unpaired + 1.5Mn paired	同门（序列互补）
Thera-SAbDab	治疗抗体库	>850 条 WHO 命名抗体	同门（链接 SAbDab2 结构）
CoV-AbDab	新冠抗体库	>12,500 条	同门（专病）
PLAbDab	专利文献抗体库	>65,000 条非冗余	同门（序列来源广）
SAbPred	预测工具套件	抗体结构预测	工具（消费 SAbDab2）
ImmuneBuilder	深度学习预测	ABodyBuilder2/NanoBodyBuilder2/TCRBuilder2	工具（训练数据来自 SAbDab 系）
AbLang	序列语言模型	重/轻链语言模型	工具
Paragraph	表位预测	paratope 残基预测	工具
TAP	可开发性评估	治疗性抗体性质比对	工具（比对临床抗体）
SPACE2	表位分析	抗原特异抗体聚类	工具

附录 I：术语中英对照补充

中文	英文
抗体实例	antibody instance
可变区	variable region / variable domain
唯一可变区	unique variable region
结合态	holo
游离态	apo
多聚体抗原	multi-polymer antigen
数据泄漏	data leakage
序列相似度	sequence identity / similarity
连通分量	connected component
向后兼容	backward compatible
版本化	versioned
冗余过滤	redundancy filtering
沉积偏差	deposition bias
抗体—抗原复合物	antibody-antigen complex
互补决定区	complementarity determining region (CDR)
重链第三互补决定区	CDR heavy chain 3 (CDRH3)
单域抗体	single-domain antibody
纳米抗体	nanobody
双抗体	diabody
单链可变域片段	single-chain variable fragment (scFv)
冷冻电镜	cryo-electron microscopy (cryo-EM)
分辨率	resolution
治疗性抗体	therapeutic antibody
免疫信息学	immunoinformatics

---

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：

• interpro — 共享标签：基因组学与多组学 / 蛋白质组学 / 知识图谱 / 评测基准
• cath — 共享标签：基因组学与多组学 / 蛋白质组学 / 知识图谱 / 评测基准
• string — 共享标签：基因组学与多组学 / 蛋白质组学 / 知识图谱
• biogrid — 共享标签：基因组学与多组学 / 蛋白质组学 / 知识图谱 / 评测基准
• gene-ontology — 共享标签：基因组学与多组学 / 蛋白质组学 / 知识图谱
• psbench — 共享标签：基因组学与多组学 / 蛋白质组学 / 评测基准
• cspec — 共享标签：基因组学与多组学 / 知识图谱 / 评测基准
• emdb — 共享标签：基因组学与多组学 / 蛋白质组学 / 评测基准
• plinder — 共享标签：基因组学与多组学 / 蛋白质组学 / 评测基准
• proteingym — 共享标签：基因组学与多组学 / 蛋白质组学 / 评测基准

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。