神经退行性疾病靶点的精修坐标结构与口袋分析数据集
该数据集聚焦ALS、阿尔茨海默病和帕金森病中蛋白质错误折叠、成核与聚集通路，涵盖HTT、SNCA、LRRK2、APOE4、APP、SOD1等靶点
基本信息
资源简介
神经退行性疾病靶点的精修坐标结构与口袋分析数据集
Refined Coordinate Structures and Pocket Analyses for Neurodegenerative Disease Targets
该数据集聚焦ALS、阿尔茨海默病和帕金森病中蛋白质错误折叠、成核与聚集通路，涵盖HTT、SNCA、LRRK2、APOE4、APP、SOD1等靶点。映射的坐标结构展示了扩展的配体空腔，可用于设计小分子稳定剂以锁定单体状态并阻止毒性寡聚化。靶点结构通过NRC CASP-17 Pure Math Folding Engine优化，采用C-alpha谐波引导势约束进行建模，随后进行侧链弛豫和口袋扩展模拟，以识别变构和活性空腔。所有坐标均经Trageser Tensor Theorem（TTT-7）晶格奇偶校验审计（来源 DOI 解析，Creative Commons Attribution 4.0 International 许可）。
【数据集背景】
源站首次发布：2026。
【数据内容】
源站描述（机器翻译，仅供参考）：数据集标题：神经退行性疾病靶点的精修坐标结构与口袋分析。概述：聚焦ALS、阿尔茨海默病和帕金森病中的蛋白质错误折叠、成核与聚集通路（例如HTT、SNCA、LRRK2、APOE4、APP、SOD1）。映射的坐标结构显示扩展的配体空腔，用于设计小分子稳定剂，以锁定单体状态并防止毒性寡聚化。计算方法：靶点结构使用NRC CASP-17 Pure Math Folding Engine进行优化。该流程应用C-alpha谐波引导势约束（$k_{guide} = 0.5$）进行比较建模（或$k_{guide} = 0.0$用于从头建模），随后进行侧链弛豫和口袋扩展模拟，以识别变构和活性空腔。所有坐标均使用Trageser Tensor Theorem（TTT-7）晶格奇偶校验进行审计。
【主题与分类】
主题标签：ACE2、ALS、APOE4、APP、BY、CASP、CC、CFTR、DMD、DPP4。本站分类：神经系统疾病/阿尔茨海默病。
【获取与许可】
源站页面：https://zenodo.org/doi/10.5281/zenodo.22997578
使用许可：Creative Commons Attribution 4.0 International。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://doi.org/10.5281/zenodo.22997578
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据集大小约 7.1 MB。
数据说明
数据集标题：用于神经退行性疾病靶点的精修坐标结构与口袋分析
概述：聚焦于肌萎缩侧索硬化症、阿尔茨海默病和帕金森病中的蛋白质错误折叠、成核与聚集通路（例如HTT、SNCA、LRRK2、APOE4、APP、SOD1）。所映射的坐标结构显示出扩大的配体腔，用于设计小分子稳定剂，以锁定单体状态并防止毒性寡聚化。
计算方法：使用NRC CASP-17纯数学折叠引擎优化靶点结构。该流程应用C-α谐波引导势约束（$k_{guide} = 0.5$）进行比较建模（或使用$k_{guide} = 0.0$进行从头建模），随后进行侧链弛豫和口袋扩展模拟，以识别变构腔和活性腔。所有坐标均使用Trageser张量定理（TTT-7）晶格奇偶校验进行审核，以消除空间冲突（最小原子间距离 > 1.10 Å）和环区幻觉。
许可：根据知识共享署名4.0国际许可协议（CC BY 4.0）分发，以支持开放、商业和学术治疗药物设计。
首席研究员：James Paul Trageser
所属机构：Nexus Resonance Codex
ORCID：0009-0006-6678-2908
X（Twitter）：@jtrag
代码库：https://GitHub.com/Nexus-Resonance-Codex/Drug-Discovery
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
需要用于商业化训练或医疗器械注册（NMPA/FDA）？
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托陕川双基地与超十家三甲医院直连，提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。
