酶改造-03.聚合酶筛选的开源训练数据汇总

训练或微调「预测酶活性、稳定性、动力学」类模型时，公开数据的许可、实验条件与目标蛋白家族是否匹配决定可迁移性。本篇按数据类型汇总常用资源；专门针对某一商品化 DNA 聚合酶的大规模统一标注数据集在公开域仍较分散，实际项目常需结合自测数据与下列通用资源。

下列链接以官网说明为准（镜像、文件名、版本目录会随发布更新）；大文件建议用 wget/aria2c 并做好校验。

---

1. 序列与进化信息

UniProt

• 内容：蛋白质序列、功能注释、文献交叉引用；可与 Rhea、PDB 等互链。
• 检索与门户：https://www.uniprot.org/
• 下载总说明：https://www.uniprot.org/help/downloads
• FTP（当前 release 目录）：https://ftp.uniprot.org/pub/databases/uniprot/current_release/
• REST API：https://rest.uniprot.org/ · OpenAPI 文档

下载命令（示例）

mkdir -p data/uniprot && cd data/uniprot
wget -c https://ftp.uniprot.org/pub/databases/uniprot/current_release/knowledgebase/complete/uniprot_sprot.fasta.gz
wget -c https://ftp.uniprot.org/pub/databases/uniprot/current_release/knowledgebase/complete/uniprot_trembl.fasta.gz

UniRef50 / UniRef100

• 内容：聚类去冗余序列，常用于 PLM 预训练或同源序列检索。
• 说明文档：https://www.uniprot.org/help/uniref
• FTP（UniRef FASTA 等）：https://ftp.uniprot.org/pub/databases/uniprot/uniref/

下载命令（示例）

mkdir -p data/uniref && cd data/uniref
wget -c https://ftp.uniprot.org/pub/databases/uniprot/uniref/uniref50/uniref50.fasta.gz
wget -c https://ftp.uniprot.org/pub/databases/uniprot/uniref/uniref100/uniref100.fasta.gz

BFD（Big Fantastic Database）

• 内容：宏基因组导向的大规模蛋白序列聚类资源，多见于 AlphaFold / ColabFold / PLM 训练管线说明；体积极大。
• 官方下载说明与镜像：https://bfd.mmseqs.com/
• MMseqs2 数据索引页：https://data.mmseqs.com/

下载命令（示例）

mkdir -p data/bfd && cd data/bfd
aria2c -x 16 -s 16 -c https://bfd.mmseqs.com/bfd_metaclust_clu_complete_id30_c90_final_seq.sorted_opt.tar.gz

用途简述：构建同源家族 MSA、PLM 嵌入、序列相似度过滤时，以上三类是最常用的公开序列来源。

---

2. 酶动力学与功能参数

BRENDA

• 内容：手工整理的 Km、kcat、Ki 等及实验条件（pH、温度、底物等）。
• 门户：https://www.brenda-enzymes.org/
• 数据下载页（JSON 等）：https://www.brenda-enzymes.org/download.php
• 许可：以官网当前声明为准（常见为 CC BY 4.0 一类开放许可）。

下载命令（示例）

mkdir -p data/brenda && cd data/brenda
wget -c https://www.brenda-enzymes.org/download.php -O brenda_download_page.html

注：BRENDA 部分数据下载通常需要登录后选择文件，自动化下载以官网登录态与当期下载规则为准。

SABIO-RK

• 内容：结构化反应与动力学实验条目，支持多种导出格式。
• 门户：https://sabiork.h-its.org/
• REST / Web Service 说明：https://sabiork.h-its.org/layouts/content/docuRESTfulWeb/RESTWebserviceIntro.gsp
• Python 示例：https://sabiork.h-its.org/layouts/content/docuRESTfulWeb/searchPython.gsp

下载命令（示例）

mkdir -p data/sabiork && cd data/sabiork
curl -L "http://sabiork.h-its.org/sabioRestWebServices/kineticlawsExportTsv?q=Organism:\"Escherichia coli\"" -o sabiork_ecoli_kinetics.tsv

Rhea

• 内容：酶促反应本体、与 EC、ChEBI、UniProt 等映射，适合反应级标签或知识图。
• 门户：https://www.rhea-db.org/
• 下载页（Turtle/TSV 等）：https://www.rhea-db.org/help/download

下载命令（示例）

mkdir -p data/rhea && cd data/rhea
wget -c https://ftp.expasy.org/databases/rhea/tsv/rhea-tsv.tar.gz
wget -c https://ftp.expasy.org/databases/rhea/tsv/rhea2uniprot.tsv

聚合酶注意：BRENDA / SABIO 中条目按 EC、物种与反应式组织，训练模型时需核对底物是否为 DNA/RNA 聚合，避免错将其它水解/转移反应标成聚合酶任务。

---

3. 三维结构

PDB（wwPDB）

• 内容：实验解析结构；聚合酶家族可参考多条代表条目。
• 检索：https://www.rcsb.org/
• 批量数据（FTP）：https://www.wwpdb.org/ftp/pdb-ftp-sites#sub-ftp-services（各中心镜像链接见该页）

下载命令（示例）

mkdir -p data/pdb && cd data/pdb
rsync -avz --delete rsync.wwpdb.org::ftp_data/structures/divided/mmCIF/ ./mmCIF/

AlphaFold 蛋白质结构数据库（EBI）

• 内容：预测结构，覆盖大量 UniProt；无实验结构时作构象先验或接触约束（注意置信度与结构域）。
• 门户：https://alphafold.ebi.ac.uk/
• 批量下载说明：https://alphafold.ebi.ac.uk/download

下载命令（示例）

mkdir -p data/alphafold && cd data/alphafold
wget -c https://ftp.ebi.ac.uk/pub/databases/alphafold/latest/swissprot_pdb_v6.tar
wget -c https://ftp.ebi.ac.uk/pub/databases/alphafold/latest/swissprot_cif_v6.tar

CATH

• 内容：结构域与折叠分类，便于按家族划分训练/测试。
• 门户：https://www.cathdb.info/
• 下载：https://www.cathdb.info/download

下载命令（示例）

mkdir -p data/cath && cd data/cath
wget -c https://download.cathdb.info/cath/releases/latest-release/cath-classification-data/cath-domain-list.txt

SCOPe

• 内容：蛋白结构分类（与 CATH 类似用途，择一或交叉验证划分）。
• 门户：https://scop.berkeley.edu/
• 下载：https://scop.berkeley.edu/downloads/

下载命令（示例）

mkdir -p data/scope && cd data/scope
wget -c https://scop.berkeley.edu/downloads/parse/dir.cla.scope.2.08-stable.txt
wget -c https://scop.berkeley.edu/downloads/parse/dir.des.scope.2.08-stable.txt

与 DeepEnzyme 等「序列 + 结构」联合输入的管线对接时，需核对作者使用的结构来源（实验 vs 预测）与预处理脚本。

---

4. 深度突变扫描与突变效应基准

ProteinGym

• 内容：大规模 DMS 替代/插入评分基准，用于训练或评估突变效应预测模型。
• 项目站：https://proteingym.org/
• GitHub：https://github.com/OATML-Markslab/ProteinGym
• Hugging Face 数据集（示例镜像）：https://huggingface.co/datasets/OATML-Markslab/ProteinGym

下载命令（示例）

mkdir -p data/proteingym && cd data/proteingym
git clone https://github.com/OATML-Markslab/ProteinGym.git
huggingface-cli download OATML-Markslab/ProteinGym --repo-type dataset --local-dir ./ProteinGym_hf

MaveDB

• 内容：存档多种 MAVE（multiplexed assays of variant effect）实验；可按目标蛋白检索是否有聚合酶相关研究。
• 门户：https://www.mavedb.org/
• API 文档：https://www.mavedb.org/docs/docs/mavedb-api

下载命令（示例）

mkdir -p data/mavedb && cd data/mavedb
wget -c https://www.mavedb.org/ -O mavedb_home.html

注：MaveDB 常按 score set 单独导出，建议在站内定位目标条目后下载 TSV/CSV。

DMS 文献补充材料

• 内容：单篇论文 Supplementary Tables 常含完整突变–适应度表；无统一中心时，宜通过期刊页面或 Zenodo / Figshare DOI 获取。
• 综合数据集示例（VEP 相关汇总，非酶专一）：https://github.com/allydunham/dms_mutations

下载命令（示例）

mkdir -p data/dms && cd data/dms
git clone https://github.com/allydunham/dms_mutations.git

说明：ProteinGym 覆盖大量蛋白家族，未必含你关心的特定 DNA 聚合酶；可作通用预训练或迁移学习，再以自有筛选数据微调。

---

5. 通用蛋白质表征基准（非酶专一）

TAPE

• 用途：评估蛋白质迁移学习在二级结构、接触、remote homology 等任务上的表现；不直接提供酶动力学回归标签。
• GitHub（任务定义与数据获取脚本）：https://github.com/songlab-cal/tape
  具体 预处理后数据路径 以仓库 README 与 release 说明为准（部分任务需按脚本从原始来源拉取）。

下载命令（示例）

mkdir -p data/tape && cd data/tape
wget -c http://s3.amazonaws.com/songlabdata/proteindata/data_pytorch/pfam.tar.gz
wget -c http://s3.amazonaws.com/songlabdata/proteindata/data_pytorch/secondary_structure.tar.gz
wget -c http://s3.amazonaws.com/songlabdata/proteindata/data_pytorch/proteinnet.tar.gz
wget -c http://s3.amazonaws.com/songlabdata/proteindata/data_pytorch/remote_homology.tar.gz
wget -c http://s3.amazonaws.com/songlabdata/proteindata/data_pytorch/fluorescence.tar.gz
wget -c http://s3.amazonaws.com/songlabdata/proteindata/data_pytorch/stability.tar.gz

适合检验 PLM checkpoint 表征质量，而非替代酶活性回归数据。

---

6. 论文补充数据、代码与聚合酶相关仓库

通用数据仓储检索

• Zenodo：https://zenodo.org/（可按 DOI、关键词检索附录与数据集）
• Figshare：https://figshare.com/

下载命令（示例）

mkdir -p data/archives && cd data/archives
pip install -U zenodo-get figshare
zenodo_get 10.5281/zenodo.3727875
figshare-cli download --article-id 9782777 --outdir ./figshare_9782777

DeepEnzyme（示例：酶 kcat 预测，序列 + 结构）

• GitHub：https://github.com/hongzhonglu/DeepEnzyme
  处理脚本、权重与训练数据构成以仓库及 Briefings in Bioinformatics 正文为准。

下载命令（示例）

mkdir -p data/deepenzyme && cd data/deepenzyme
git clone https://github.com/hongzhonglu/DeepEnzyme.git

定向进化、高通量筛选类工作还常在 GitHub 单独发布 变异列表、丰度表、活性表；建议检索关键词如 DNA polymerase directed evolution、deep mutational scanning polymerase 并跟进论文 Data availability 段落中的 URL。

---

7. 使用建议（避免常见坑）

1. 条件对齐：同一 kcat 可能在不同 pH、辅助因子下不可比；建模时保留元数据字段。
2. 泄漏控制：按 UniProt ID、家族或聚类划分 train/val/test，避免同源泄漏抬高指标。
3. 标签语义：「测序读数错误率」≠「体外纯酶错配率」；合并数据前统一表型定义。
4. 许可与再分发：商业产品需逐条核对各数据库对批量镜像、二次发布模型权重的条款。
5. 链接失效：FTP 目录会随 current_release 变更；若 404，回到各站点 Download / Help 首页找最新路径。

---

8. 系列索引

• 聚合酶的评估指标：指标与标签含义对齐。
• 筛选方法发展脉络：NGS 偶联与文库设计上下文。
• PLMs 模型架构：序列表征与通用预训练入口。