随着AlphaFold等AI模型将蛋白质结构预测精度推向实用化水平，高质量、标注规范的残基级蛋白质结构数据集，已成为计算生物学、AI生命科学领域最核心的研发基础资源之一。作为MIT聚焦原子、分子尺度力学规律与跨学科应用研究的顶尖实验室，LAMM长期深耕计算生物、生物材料、分子模拟等交叉领域，其发布的公开数据集通常具备标注精度高、场景适配性强的特点，已成为全球相关领域研究的重要参考基准。本次LAMM发布的protein-secondary-structure-nppe2（又称NPPE-2蛋白质二级结构预测数据集），最初为印度理工学院马德拉斯分校深度学习与生成AI课程的蛋白质二级结构预测竞赛设计，核心任务是支撑研发者在残基水平完成蛋白质二级结构的预测任务。
该数据集采用行业通用的两类分类标注体系：第一类为八态分类（Q8/sst8），基于DSSP符号体系，涵盖H（α螺旋）、C（卷曲/环）、E（β链）、T（转角）、S（弯曲）、G（3-10螺旋）、B（β桥）和I（π螺旋）8类结构标签；第二类为三态分类（Q3/sst3），将八态标签进一步聚合为C（卷曲，包含C、T、S）、H（螺旋，包含H、G、I）和E（链，包含E、B）3类，适配不同精度需求的算法训练场景，数据集的官方评估指标为Q8和Q3宏F1分数的调和平均数。
从数据体量来看，NPPE-2数据集分为训练集与测试集两部分，其中训练集包含7262个蛋白质序列，覆盖1763921个残基；测试集包含1816个序列，暂未公开标签，用于竞赛与算法评测的盲测场景。数据集覆盖的蛋白质序列长度范围为20至1632个残基，平均长度为242.9个残基，覆盖了绝大多数常规功能蛋白的长度区间。从标签分布来看，Q8分类中H（α螺旋）占比最高达31.6%，其次是C（24.2%）和E（21.0%）；Q3分类中C（卷曲）占比最高达42.6%，其次是H（螺旋，35.4%）和E（链，22.1%），标签分布符合天然蛋白质的结构分布规律，训练数据的代表性较强。
目前该数据集以CSV文件形式开放下载，训练集文件包含id（唯一序列标识符）、seq（由20种标准氨基酸组成的序列）、sst8（Q8标签）和sst3（Q3标签）四列；测试集文件包含id和seq两列，方便研发者快速接入训练流程。从应用价值来看，NPPE-2不仅可用于蛋白质二级结构预测竞赛的算法比拼，还可广泛适配各类标记分类任务：在基础研究层面，可支撑蛋白质结构预测算法的迭代优化、不同蛋白质功能域的识别、突变体结构稳定性预测等生物信息学研究；在产业应用层面，可作为训练数据支撑AI辅助靶点结构解析、多肽药物分子设计、酶工程改造等生命科学研发场景，降低相关领域的训练数据获取门槛，为全球计算生物学领域的跨机构算法评测提供了统一的公开基准。
查看protein-secondary-structure-nppe2
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)