NVIDIA上线RFD4-Proteina开源生物分子数据集 赋能AI蛋白质设计与界面建模创新
当前AI生物计算正成为生命科学领域的核心创新引擎，蛋白质结构预测、分子设计等技术的突破，高度依赖高质量、大规模的标注分子结构数据集支撑。近日，NVIDIA正式对外发布面向RFD4-Proteína模型训练打造的生物分子数据集RFD4-Proteina，填补了AI蛋白质设计领域多场景训练数据的供给缺口。
本次上线的RFD4-Proteina数据集于2026年10月21日首发于Hugging Face平台，核心由实验来源的PDB结构与预测来源的AlphaFold DB结构两大核心组件构成，专门服务于生物分子设计相关模型的训练需求。本次开放的数据集内容覆盖AFDB蛋白单体、PDB分子界面、PDB蛋白–DNA界面、抗体界面和TCR界面五大类，完整保留原始结构分片、字节偏移、索引和采样表，总载荷达238.52 GB（222.15 GiB），包含4251个存储对象，采用Parquet采样表与索引加二进制分片独立压缩记录的存储格式，单分片最大容量约67MB，开发者无需下载整个组件即可读取单条记录，大幅降低了数据调用门槛。
数据集共设置5个命名配置提供元数据视图，覆盖AFDB单体和PDB快照两个存储目录：其中afdb_monomer配置对应AFDB蛋白单体数据，共发布1,186,995个样例，914,831个通过记录过滤，建议占完整训练混合的69%；pdb_interfaces配置对应PDB分子界面数据，发布13,938,465个样例，8,431,727个通过过滤，建议占比14.5%；antibody_interfaces_pdb配置对应PDB抗体界面数据，发布81,895个样例，72,562个通过过滤，建议占比0.5%；tcr_interfaces_pdb配置对应PDB TCR界面数据，发布9,526个样例，8,608个通过过滤，建议占比0.5%；pdb_dna_interface配置对应PDB蛋白–DNA界面数据，发布12,812个样例。值得注意的是，本次发布仅包含PDB派生和AlphaFold DB派生组件，完整训练混合中的蒸馏与合成集合、小分子、RNA、蛋白–配体集合等内容暂未纳入开放范围，数据集内的占比数据保留自完整训练混合的源清单，未针对本次开放子集重新归一化。
从应用价值来看，RFD4-Proteina数据集可覆盖多个生命科学研究与产业创新场景：其中AFDB蛋白单体数据可支撑通用蛋白质结构生成模型训练，服务于合成生物学领域的工业酶改造、功能性蛋白设计等研究；PDB分子界面、蛋白-DNA界面数据可用于解析生物分子互作机制，助力基因编辑工具的靶向性优化、基因表达调控通路研究；抗体界面、TCR界面数据则可直接应用于创新药研发领域，为单抗药物、双抗药物、CAR-T细胞疗法的靶点结合亲和力优化提供训练数据支撑。
本次同步开放的资源还包括多个验证集与参考数据：benchmarks/ae_pdb_temporal_holdout_2026_10_04/目录包含640个2024年1月1日后沉积的带注释PDB结构，覆盖蛋白-配体、修饰残基、聚糖、DNA和RNA五大类；benchmarks/nanobody/目录包含160个纳米抗体设计验证输入，由40个靶标结构与4个VHH框架交叉组成；metrics/cdr_torsion_data/目录为抗体CDR扭转自然度指标提供参考数据，上述资源不属于load_dataset配置范围，可通过代码仓库的make setup命令下载到本地使用。
在使用规范方面，官方README提示，若用于生成设计场景建议先从模型卡开始，运行模型无需下载该数据集；加载元数据可通过pip安装datasets、huggingface_hub依赖后，使用load_dataset以流式方式读取对应配置；如需保障训练可复现性，需记录数据集commit号、模型/代码版本、组件选择、运行时过滤、混合权重和采样器设置，避免混用不同版本的元数据与分片资源。版权方面，PDB条目来自wwPDB档案库，遵循CC0 1.0豁免协议；AlphaFold DB结构来自EMBL-EBI/Google DeepMind，遵循CC BY 4.0协议，要求署名；NVIDIA为数据集添加的采样表、索引、注释和打包内容同样采用CC BY 4.0协议发布，所有上游来源均与该协议兼容。
作为当前全球AI计算领域的领军企业，NVIDIA本次开源RFD4-Proteina数据集，进一步降低了AI生物计算领域的研发门槛，为产学研各界开展蛋白质设计相关研究提供了高质量的基础数据支撑，也为数据要素在生命健康领域的流通应用提供了典型样本，将有力推动AI辅助生命科学研究从实验室走向产业落地。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)