即取即用的 AI-Ready 医疗数据集库

基于 Providence 医疗系统 171,189 张全片病理图像、13.8 亿个 256×256 图块预训练的全片病理基础模型，以 LongNet 超长上下文建模整张 gigapixel 切片，26 项数字病理任务中 25 项达 SOTA——权重公开却受 gated 条款约束、官方明确 research-only 禁用临床与商业部署

Providence 医疗系统真实世界 H&E 与 IHC 病理全片图像（Prov-Path，171,189 张 WSI / 1,384,860,229 个 256×256 图块）+ 关联病理报告、癌症分期、基因组突变谱；评测另用 TCGA 数据 23

生理信号语音信号评测基准图像分类

Speech Commands Dataset — 105,829 条 1 秒关键词识别音频语料

原始数据公开数据集非患者数据；2,618 名众包志愿者说话人（无性别/族裔等人口学属性采集）

Google Brain 发布的限定词表语音识别基准：35 个英文单词 + 背景噪声，2,618 名说话人，1 秒 16kHz WAV，CC BY 4.0 公开——端侧关键词识别的经典训练与评测集

Google Brain 众包采集的单字发音音频（16kHz 单声道 16-bit PCM WAV，每条约 1 秒），含 35 个英文词 + _background_noise_ 背景噪声 + validation_list.txt/testing_list.txt 官方划分清单 30

公共卫生与流行病学疾病监测流行病学调查数据医疗登记

SINAN-Dengue — 巴西法定疾病通报系统登革热与基孔肯雅通报数据（2013 — 2020）

原始数据结构化数据纵向数据7,632,542 条通报记录（去标识化个案，非唯一患者；含确诊登革热 4,307,513 + 确诊基孔肯雅 325,000 + 排除/不确定 2,100,029）

巴西卫生部 SINAN 系统 2013–2020 年登革热与基孔肯雅通报记录的统一化数据集：原始 13,421,230 条 / 118 属性经预处理为 7,632,542 条 / 56 属性，含确诊登革热 4,307,513、确诊基孔肯雅 325,000 与排除/不确定 2,100,029 三分类，CC BY 4.0 于 Mendeley Data 公开

巴西卫生部 SINAN（Sistema de Informação de Agravo de Notificação，法定疾病通报信息系统）2013–2020 年登革热与基孔肯雅个案通报数据，覆盖巴西 26 州 + 联邦区；统一化后以 CSV 发布于 Mendeley Data（DOI 10.17632/2d3kr8zynf.2），派生自 opendatasus / dadosabertos.saude.gov.br 开放数据 35

基因组学与多组学微生物组评测基准挑战赛数据集测序数据

CAMI II — 宏基因组解读关键评估第二轮挑战基准

模拟数据原始数据评测结果不涉及患者；含 1 例临床病原检测样本（危重患者未知感染宏基因组）

1,680 个微生物基因组 + 599 个环状元件模拟的海洋/高菌株多样性/植物相关三环境宏基因组基准，30 队 76 程序 5,002 组结果的全景评测——Nature Methods 2022，含组装/分箱/profiling/临床病原检测五任务

CAMI 挑战赛官网（cami-challenge.org，datasets 页列 CAMI II marine/strain-madness/plant-associated/clinical 四数据集）+ PUBLISSO 数据仓（DOI 10.4126/FRL01-006425521）+ Zenodo CAMI 社区软件产出 + 论文评测代码 GitHub（CAMI-challenge/second_challenge_evaluation） 29

药物发现与化学多模态评测基准

QMugs — 类药物分子量子力学性质数据集

原始数据计算生成数据结构化数据不适用（计算化学数据集，非患者数据）

ETH Zurich RETHINK 组从 ChEMBL 提取 665,911 个类药物分子、生成 1,992,984 个构象，在 GFN2-xTB 与 DFT（ωB97X-D/def2-SVP）双理论级别上计算能量、部分电荷、转动常数乃至 DFT 密度与轨道矩阵波函数，未压缩逾 7 TB——首个面向类药物大分子的第一性原理量化数据集合，为 Δ-learning 与构象感知的量子机器学习铺路，Sci Data 2022 开放获取

ChEMBL 数据库提取的 665,911 个生物/药理相关类药物分子，经 GFN2-xTB 生成并优化 1,992,984 个构象，以 Psi4 计算单点性质与 DFT 波函数，存为 SDF 文件集（summary.csv + structures.tar.gz，经 libdrive.ethz.ch 分享） 25

药物发现与化学量子化学分子性质预测评测基准基因组学与多组学

MD22 — 42 至 370 原子生物大分子的 DFT 轨迹与力场基准

模拟数据原始数据开放数据不适用（非人类受试数据；7 个分子体系 / 323,422 个构型 / 23,716,460 原子-帧）

MD17 的大体系升级版——7 个生物大分子/超分子（四肽、脂肪酸、四糖、DNA 碱基对、巴基球捕捉器、双壁纳米管）的 FHI-aims + i-PI 从头算 MD 轨迹，含 DFT-PBE+MBD 势能与原子受力标签，共 32 万余构型，CC0-1.0 于 sgdml.org 公开

FHI-aims + i-PI 生成的 MD22 基准轨迹（DFT-PBE+MBD/tight 与 /light 两档基组），含每个构型的总势能与逐原子受力三维向量，7 个体系各自独立 .npz/XYZ 文件，另由 ColabFit Exchange 提供 7 个 Parquet 格式化镜像 40

药物发现与化学量子化学分子性质预测分子生成

ANI-1x — 主动学习生成的 500 万分子构象 DFT 数据集

量子化学计算分子构象原始数据不适用（对象为有机小分子，非患者）；含约 495.6 万构象、75,700,481 原子、约 6.4 万个分子及分子复合物、3114 个 HDF5 化学式分组

Los Alamos 国家实验室用 Query by Committee 主动学习采样约 495.6 万 CHNO 有机分子非平衡构象、7570 万原子，以 ωB97X/6-31G(d) 标注能量/力/偶极，CC0 公共领域奉献，成为机器学习势与 ANI-1ccx 迁移学习的通用底座

Los Alamos National Laboratory 主导，以 Query by Committee 主动学习对 GDB-11 / ChEMBL / RDKit 生成氨基酸与二肽施加 MD/简正模/二聚体/扭转四类采样，经 ωB97X/6-31G(d)（Gaussian 09）计算能量/力/偶极；ANI-1ccx 子集约 50 万构象以 CCSD(T)*/CBS 重算 43

药物发现与化学量子化学分子性质预测化学信息学分子生成

Open Catalyst 2020 — Meta FAIR 与 CMU 的亿级 DFT 电催化数据集

计算模拟物理化学性质原始数据不适用——非临床数据集；规模口径为 1,281,040 次 DFT 弛豫 / 约 264,890,000 次单点计算 / 460,328 个 IS2RE/IS2RS 体系 / S2EF 训练集 133

Meta FAIR 与 CMU 合建的异相电催化开放数据集：1,281,040 次 DFT 弛豫、约 2.65 亿次单点计算、460,328 个吸附质-催化剂体系与 133,934,018 帧 S2EF 训练数据，CC BY 4.0 全开放，定义了 AI for Science 时代材料模拟数据集的规模标杆

DFT（VASP，RPBE 泛函）计算的吸附质-催化剂弛豫轨迹：82 种吸附质 × 约 11,500 个 bulk 催化剂（Materials Project 溯源）× 55 种元素；含能量/逐原子受力/逐原子位置标注、Bader 电荷数据与 mapping 元数据（bulk_mpid、Miller 指数、吸附位点、异常码） 33

药物发现与化学化学信息学分子对接虚拟筛选评测基准药物-靶点相互作用

CSAR — 社区结构-活性资源基准数据集

实验测定结构数据专家整理非患者数据集：2010 基准集 343 个蛋白-配体复合物；CSAR-NRC HiQ 176+167 个复合物（52 靶点多结构+191 单结构）；2012 数据集 6 个蛋白靶点、757 个化合物（

美国国立卫生研究院资助、密歇根大学 Carlson 团队主持的社区结构-活性资源：以 Binding MOAD 与 PDBbind 精选 343 个高质量蛋白-配体复合物及 Kd/Ki 亲和力构建 2010 基准实验，衍生 CSAR-NRC HiQ 与 2012 制药数据捐赠集，成为分子对接打分函数评测的公共标尺

Binding MOAD 与 PDBbind 精选 PDB 共晶结构 + 实验结合亲和力（Kd/Ki，2010 集剔除仅 IC50 者；2012 集含 IC50）+ 配体 SMILES/MOL2 文件 + 对接 decoy 构象集 + 密歇根大学内部实测物性数据（logD/logP/热力学溶解度/pKa）+ Abbott、GSK、Vertex 捐赠数据（2014 基准为未发表制药数据） 21

药物发现与化学药物-靶点相互作用化学信息学虚拟筛选

Drug Target Commons — 社区众包的药物-靶点生物活性开放知识库

文献挖掘数据库整合原始数据非患者数据集（化合物-靶点生物活性数据库，无个体健康信息）

DTC 是赫尔辛基大学 FIMM 团队主持的众包平台：把 ChEMBL、BindingDB 与文献散落的数百万条药物-靶点生物活性数据统一提取、μBAO 协议注释、管理员审核后开放下载（CC BY-NC-SA 3.0），提供 CSV 全量导出、数据库 dump 与 API 三通道，是化学信息学与药物再利用研究的公共生物活性底座

ChEMBL（主来源）+ BindingDB（约 50 万条）+ 文献直采约 6 万条注释；每条记录含化合物标识（25 库交叉链接）、蛋白靶点标识（94 库交叉链接）、生物活性终点值（Kd/Ki/IC50/EC50 等）与 μBAO 注释字段（assay type/format、endpoint type、detection technology） 44