如何使用数据集

该数据集包含16,000多个唯一的蛋白质序列和配体SMILES以及它们的复合物坐标。

假定SMILES由P. Schwaller的正则表达式进行标记化。

每个（x，y，z）配体坐标映射到一个SMILES令牌，如果令牌不表示原子，则为nan。

每个受体坐标映射到相应残基的Cα坐标。

该数据集可用于微调语言模型，所有数据来自PDBind-cn。

使用已经预处理的数据

使用以下命令加载测试/训练分割：

from datasets import load_dataset
train = load_dataset("jglaser/pdbbind_complexes",split='train[:90%]')
validation = load_dataset("jglaser/pdbbind_complexes",split='train[90%:]')

自行进行预处理

手动执行预处理，从P.DBBind-cn下载数据集：

在 https://www.pdbbind.org.cn/ 注册一个帐户，确认验证电子邮件，然后登录并下载：

• 索引文件（1）
• 一般的蛋白质-配体复合物（2）
• 精制的蛋白质-配体复合物（3）

将这些文件提取到 pdbbind/data 目录下。

在MPI启用的集群上使用计算任务运行脚本 pdbbind.py（例如，mpirun -n 64 pdbbind.py）。