claude-protein-binder-design
קוד פתוחAnthropiccc-by-4.02026-08-17
המאגר מרכז 1,440 חלבוני קשירה שתוכננו בידי מודלי שפה ונבדקו במעבדות רטובות מול 16 מטרות ביולוגיות. הוא מספק נתוני קינטיקה גולמיים לצד ולידציה כפולה של שתי מעבדות שונות.
- 55,940הורדות בחודש
- 198לייקים
מה זה
הנתונים כוללים 1,440 מיני חלבונים באורך 50 עד 120 חומצות אמינו, שנוצרו באופן עצמאי על ידי שני מודלים, Mythos Preview שיצר 900 עיצובים ו Opus 4.8 שיצר 540. כל חלבון נשלח לבדיקה מעשית בשתי מעבדות מחקר נפרדות, Adaptyv Bio שבדקה קינטיקה בשיטות SPR ו BLI עם ביטוי ללא תאים, ו Twist Bioscience שביצעה מדידות SPR באמצעות כימות עם טיטרציה של שש נקודות.
בפועל המאגר משלב בין תוצאות המעבדה הרטובה לבין חיזויי מבנה ממודלים חישוביים, כולל עקבות הניסוי הגולמיות וצילומי הדוחות. מתוך 16 מטרות ביולוגיות שנבדקו, 354 מתוך 1,320 חלבונים הוגדרו כקושרים מאומתים לפי שקלול שתי המעבדות, כאשר הנתונים מאורגנים בטבלאות Parquet מקושרות לפי מזהה ייחודי ולצידן תיקיות עם קובצי מבנה וגרפים.
מתאים ל
- אימון מודלים לתכנון חלבונים
שימוש ברצפים ובתוצאות המעבדה כדי לשפר מודלים גנרטיביים שמייצרים חלבוני קשירה חדשים.
- כיול חיזוי אפיניות חישובי
השוואת ציוני הקישור של עשרה מודלי מבנה מול מדידות קינטיקה אמיתיות משתי מעבדות.
- הערכת סוכני AI לביולוגיה
ניתוח תהליך התכנון שלב אחר שלב שביצעו המודלים מול שיעורי ההצלחה שהתקבלו במעבדה.
איפה זה נופל
הנתונים עבור המטרה mature GDF-8 לא כוללים מדידות מעבדה רטובה מכיוון שהאנטיגן עבר אגרגציה ונקשר למשטחי הבדיקה באופן לא ספציפי, כך שעבור 120 העיצובים הללו יש רק מודלים חישוביים. בנוסף, מתוך 1,320 החלבונים שנבדקו בהצלחה במעבדה רק 354 הוכחו כקושרים, מה שמציג שיעור הצלחה של כרבע מכלל הניסיונות. שאר הנתונים מוגבלים לתנאי הניסוי הספציפיים של שתי המעבדות, והפערים בשיטות המדידה דורשים הצלבה זהירה לפי ההערות המצורפות לפני שמסיקים מסקנות על אפיניות.
שאלות
נפוצות
האם מותר להשתמש במאגר לפיתוח מסחרי?
כן, הנתונים מפורסמים תחת רישיון CC BY 4.0 שמתיר שימוש מסחרי מלא כולל אימון מודלים. החובה היחידה היא מתן קרדיט וייחוס ליוצרים בהתאם לקובץ הציטוט המצורף. הסקריפטים הנלווים מוגנים ברישיון MIT שגם הוא מאפשר שימוש חופשי.
כמה נפח צריך להוריד כדי להתחיל לעבוד?
המאגר המלא שוקל כ 5.65 גיגה בייט ומכיל מעל 84 אלף קבצים, כולל גרפי חיישנים ומבנים תלת ממדיים. אם אתם צריכים רק את תוצאות המדידות וסיכומי העיצובים, אפשר להוריד רק את קובצי ה Parquet הבודדים ששוקלים מגה בייטים בודדים. אין צורך להוריד את כל המאגר בשביל ניתוח נתונים בסיסי.
האם יש במאגר נתונים בעברית?
לא, המאגר כולו באנגלית ובפורמטים מדעיים בינלאומיים. הנתונים מורכבים מרצפי חומצות אמינו, מזהי מטרות ביולוגיות, ערכים נומריים של קינטיקה וקבצי מבנה. כל התיעוד ומילון המונחים כתובים באנגלית בלבד.
איך הנתונים נאספו ונבדקו?
שני מודלים של אנתרופיק תכננו את הרצפים באופן אוטונומי עבור 16 מטרות שונות. לאחר מכן הרצפים סונתזו ונבדקו פיזית בשתי מעבדות שירות עצמאיות, Adaptyv Bio ו Twist Bioscience, במקביל לחיזוי מבנה חישובי בעשרה כלים שונים. התוצאות משתי המעבדות הוצלבו לקביעת ציון סופי לכל חלבון.
מה ההבדל בין המאגר הזה למאגרי חלבונים אחרים?
בניגוד למאגרים שמבוססים על חיזוי בלבד, כאן יש אימות מעבדה רטובה כפול לכל עיצוב לצד עקבות הניסוי הגולמיות. בנוסף, המאגר כולל את כל שלבי קבלת ההחלטות של מודל השפה שיצר אותם, מה שמאפשר לחקור את תהליך התכנון עצמו ולא רק את התוצאה הסופית.
איך טוענים
הורדת כלל הקבצים דורשת התמודדות עם ארכיון של 5.65 גיגה בייט הכולל מעל 84,000 קבצים, אך אין צורך באישור גישה מיוחד. מי שרוצה לעבוד רק עם הנתונים הטבלאיים יכול להוריד ישירות קובצי Parquet מתוך תיקיית data/tables או להשתמש ב load_dataset עם תת המאגר design_summary. הטבלאות מתחברות ביניהן בעזרת השדה uuid, ושדות המפתח לבדיקה ראשונית הם target, design_model, binder_final ו kd_nM_final. מילון העמודות המלא נמצא בקובץ column_dictionary.parquet.
from datasets import load_dataset
ds = load_dataset("Anthropic/claude-protein-binder-design")הרישיון
הנתונים והתיעוד מפורסמים תחת רישיון CC BY 4.0 שמתיר שימוש מסחרי, שינוי והפצה, בתנאי שניתן ייחוס מתאים למפרסמים כפי שמופיע בקובץ CITATION.cff. אין חובה לשתף נגזרות תחת אותו רישיון, כך שניתן לאמן מודלים על המאגר ולשמור על הקוד או המשקלים סגורים. עם זאת, הסקריפטים במאגר כפופים לרישיון MIT, ותוצרי צד שלישי כמו חיזויי מבנה ודוחות מעבדה שומרים על תנאי השימוש המקוריים שלהם.
- שימוש מסחרי
- שינוי הקוד
- חובת ייחוס