包含构建体信息的多终点药物-蛋白质生物活性精选数据集

arXiv:2610.32490v1 公告类型：新 Abstract：公共药物-蛋白质生物活性资源通常使用 UniProt 登录号标识靶标，但同一个登录号可能代表不同的实验序列。我们提出了 Curate-DTI，这是一个包含构建体信息的数据集，基于 2026 年 7 月 1 日的 BindingDB 导出数据构建，并分别处理 IC50、Ki、Kd 和 EC50。该版本包含 2,919,717 条测量数据、1,291,872 个标准化配体、9,668 个由序列定义的蛋白质实体，以及 2,275,683 个终点特异性相互作用，涵盖 8,336 个经审核的 UniProt 登录号。蛋白质实体将登录号与报告的实验序列结合，从而保留仅按登录号处理时会被合并的构建体。在四种终点中，有 4,204 个终点特异性的配体-登录号组在由序列定义的蛋白质实体之间呈现不同的分类标签。精确观测值和带不等式限定的观测值提供了关系感知的分类证据，而回归目标仅使用精确数值。相互连接的 Parquet 表保留了单条测量数据、标准化结构、蛋白质序列、聚合后的相互作用，以及可获得的测定和来源溯源信息。该资源支持终点特异性的分类和回归，同时允许用户选择分子表示、蛋白质表示和评估划分。随版本一同发布的还有预处理代码、列字典、排除报告和验证摘要。