AlphaFold 折叠蛋白，LiteFold 折叠数据 | LiteFold 扔出 TB 级蛋白数据

过去几年，蛋白质 AI 的变化很容易被一句话概括：模型越来越强了。

AlphaFold 让结构预测从少数结构生物学团队的专门能力，变成很多实验室都能调用的基础工具。ESM 这类蛋白语言模型，把序列、进化信息和结构表征推到了更大的尺度。蛋白设计、突变效应预测、稳定性建模、抗体与多肽工程，也都开始把深度学习模型放进工作流里。

但真正开始训练模型、复现实验、搭建 benchmark 时，问题往往不是模型先卡住，而是数据先卡住。

蛋白质数据不是一张干净的表。它可能藏在论文补充表里，挂在 FTP 目录中，分散在 UniProt、PDB、AlphaFold DB、ESM Atlas、ProteinGym、MegaScale、Pfam、InterPro、GOA 等不同来源里。一个数据源按序列组织，另一个按结构链组织；一个分数越高越好，另一个分数越低越稳定；一个记录突变效应，另一个记录结构坐标；一个有许可说明，另一个需要追溯上游版本。

所以，当 LiteFold 发布 AminoWeb 时，它真正切入的并不是一个新的蛋白质模型，而是一个更底层的问题：

如果蛋白质 AI 已经进入大模型时代，支撑它的数据层是否也该变得更像机器学习基础设施？

它到底在做什么？

AminoWeb 是 LiteFold 在 Hugging Face 上发布的一组蛋白质机器学习数据集合。按照发布信息，它包含 29 个经过清洗、面向机器学习整理的数据集，总体量约 7.56 TB；Hugging Face collection 页面则将其概括为约 8 TB 的蛋白质数据集合。

它覆盖的不是单一任务，而是一组蛋白质机器学习常见输入与监督信号：序列、结构、功能注释、多序列比对、突变效应、稳定性、结合与相互作用等。

换句话说，它不是在提出一个新的结构预测模型，也不是给出一个新的药物设计 pipeline。它更像是把蛋白质 AI 里常见的数据源，重新整理成模型工程师更容易读取、检索、训练和复现实验的形态。

这件事看起来不如新模型显眼，但它解决的是另一个更日常的问题：数据能不能被稳定地读进来，能不能知道每一行从哪里来，能不能避免训练和测试之间因为同源蛋白泄漏而虚高，能不能在不同任务之间复用。

AminoWeb 将序列、结构、功能、突变效应、稳定性和相互作用等蛋白质数据整理为可访问的数据集合。图中面积反映数据体量，不代表数据质量或任务重要性

AminoWeb 将序列、结构、功能、突变效应、稳定性和相互作用等蛋白质数据整理为可访问的数据集合。图中面积反映数据体量，不代表数据质量或任务重要性

问题为什么会出在数据层？

大语言模型领域早就习惯了把数据集当成基础设施来讨论。FineWeb、The Pile、RedPajama、Dolma 这些名字，本质上都不只是数据本身，也是训练语料如何收集、清洗、去重、记录来源和服务模型训练的工程实践。

蛋白质机器学习的问题更复杂。

自然语言里，一段网页文本和另一段网页文本之间当然也会有重复和污染，但蛋白质数据里有一种更隐蔽的重复：同源性。两个蛋白序列可能不完全相同，却来自共同祖先，结构和功能高度相关。如果训练集和测试集里出现高度相似的同源蛋白，模型看起来可能泛化很好，实际却只是学到了相近家族的模式。

这也是蛋白质 benchmark 里经常让人头疼的地方。随机划分很方便，但随机划分未必能模拟真实发现任务。真正困难的场景，往往是让模型面对远离训练分布的新家族、新结构域、新突变组合，甚至是实验注释很少的序列空间。

还有一个问题是分数口径。

突变效应数据、稳定性数据、结合数据、功能注释数据，看起来都可以变成监督学习任务，但它们的分数含义并不相同。有的分数表示活性升高，有的表示适应度下降，有的表示 ΔΔG，有的来自高通量实验，有的来自人工整理数据库。如果为了统一格式而粗暴统一方向，反而可能把原始生物学含义洗掉。

所以，蛋白质数据整理不是简单地把 CSV 转成 Parquet。更关键的是，保留原始口径，同时让模型工程可以稳定使用。

AminoWeb 把哪些东西放到了一起？

从 collection 页面看，AminoWeb 覆盖了多类常用蛋白质数据源。它们大致可以分成几组。

为了方便读者理解，将 collection 中可见的数据源按常见蛋白质机器学习任务重新归类。

这张表能说明 AminoWeb 的定位。

它试图把蛋白质 AI 的几个关键数据面放到同一入口下：序列空间、结构空间、功能注释、实验测量、相互作用和非标准化学组件。

对于做模型的人来说，这意味着一件很实际的事：不必每次都从不同数据库重新写下载脚本、解析脚本和字段映射脚本。至少在起步阶段，可以先用一个统一的数据入口搭建任务。

旧方案为什么不够？

过去做蛋白质机器学习，经常是每篇论文自己整理一份数据。

这在小规模研究里不是问题。研究者可以下载一个补充表，写脚本清理突变格式，再按照论文定义划分训练集和测试集。问题出现在模型和任务规模变大以后。

第一，清洗过程很难复现。

同一个数据源，是否去掉缺失值，是否合并重复突变，是否保留低置信度结构，是否统一 isoform，是否筛掉过长序列，都会影响结果。论文里通常不会把每一步工程细节写到足够细。

第二，跨任务复用很困难。

一个模型可能想同时用序列、结构、功能、突变效应和稳定性数据。每个数据源都有自己的主键和字段习惯。UniProt accession、PDB chain、AlphaFold ID、MGnify ID、突变 notation、结构域坐标，如果没有统一映射，后续建模会消耗大量时间。

第三，评测容易被数据划分影响。

蛋白质任务尤其怕训练测试之间存在高度相似的同源蛋白。一个模型在随机划分上表现很好，不一定意味着它真的学会了远距离泛化。很多时候，benchmark 的可信度取决于数据划分，而不只取决于模型指标。

这也是 AminoWeb 提到 homology-aware splits 的原因。它指向的不是格式问题，而是评测可信度问题。

新设计解决了什么？

AminoWeb 的核心价值可以概括为四层。

第一层是格式。

数据被整理成更适合机器学习读取的形式，例如 Parquet、JSONL、WebDataset 等。Parquet 对大表、列式读取和类型约束更友好；JSONL 保留原始行信息比较方便；WebDataset 更适合承载大规模结构文件或分片数据。

这一步看似工程化，却会直接影响使用门槛。对于 TB 级数据，能不能 streaming，能不能只读部分字段，能不能按 shard 下载，差别很大。

第二层是来源追踪。

在多个 dataset card 中，可以看到类似 dataset_id、source_file、row_index、raw upstream row 这类设计。它们的意义是：模型读到一行数据时，理论上可以追溯它来自哪个上游文件、哪一行、原始字段是什么。

这对科学数据很重要。因为蛋白质数据库不是静态对象，版本会更新，字段会变化，注释会修订。如果没有 provenance，模型结果出了问题，很难追到源头。

第三层是分数口径。

AminoWeb 发布信息中特别提到 preserved score conventions，也就是保留原始分数约定。这个决定很重要。

很多人做数据集整理时，会倾向于把所有分数都转成统一方向，例如越大越好。但在蛋白质实验数据里，这样做可能会抹掉上游实验语境。更稳妥的做法是保留原始分数，同时在 dataset card 或字段说明里告诉用户如何解释。

第四层是评测划分。

蛋白质任务的划分不能只看样本随机性，还要看序列、结构和家族关系。AminoWeb 将 homology-aware splits 作为发布亮点之一，说明它意识到蛋白质 ML 的核心风险之一是同源泄漏。

不过这里也要克制理解。不是所有子数据集都天然拥有同一种划分方式，具体到某个任务，仍然需要查看对应 dataset card，确认划分规则、字段含义和适用边界。

结果到底说明了什么？

从这次发布能看到几个信号。

AlphaFoldDB 在 AminoWeb 中被整理为 prediction index，数据页显示约 2.47 亿行，并划分为 train 与 test。这里要注意，它更像是预测结构索引和元数据表，而不是简单等同于完整结构坐标仓库。

ESMAtlas 数据页显示为大规模 WebDataset 镜像，文件体量约 1.74 TB，并保留结构文件、metadata、confidence scores 等信息。它还明确提醒：ESMAtlas 结构是计算预测，不是实验结构，下游任务需要用 pLDDT、pTM 等置信度指标筛选。

ProteinGym 数据页显示约 293 万行，面向蛋白适应度和突变效应预测，是评估蛋白语言模型、逆折叠模型和监督预测模型的重要 benchmark。

MegaScale-Tsuboyama2023 数据页显示约 29.9 万行整理记录，对应大规模蛋白折叠稳定性实验数据。它的价值在于把结构之外的热力学稳定性信号带入模型训练和评估。

Pfam 数据页显示约 1.28 亿行，主要承载蛋白家族和结构域区域注释。对于功能预测、结构域识别和蛋白家族学习，这类注释数据比单纯序列更接近可解释的生物学标签。

这些数字不该被理解为越大越好。更准确的理解是：AminoWeb 把不同粒度的蛋白质数据放到了一个相对统一的机器学习入口下，让研究者能够更快构造跨数据源任务。

但它也不能解决所有问题。

预测结构仍然是预测结构。低置信度区域、无序区、复合物界面、构象变化和活性位点几何，仍然需要谨慎使用。功能注释仍然存在偏倚。突变效应数据仍然受实验体系影响。稳定性数据和结合数据也不能直接互相替代。

数据被整理好，并不等于生物学问题被解决。

对蛋白质 AI 来说，它意味着什么？

AminoWeb 的意义不在于它让某个模型立刻变强，而在于它把蛋白质 AI 的一个长期瓶颈显性化了：模型规模扩张以后，数据层也必须进入工程化阶段。

这会影响几类工作。

对基础模型训练来说，统一的数据入口可以降低预训练、微调和多任务学习的工程成本。序列、结构、MSA、功能注释、突变效应和稳定性数据如果更容易组合，模型就更容易从单一任务走向多模态蛋白质表征。

对 benchmark 来说，来源追踪和划分规则会变得更重要。未来评价蛋白质模型，不能只看指标，还要看测试集和训练集之间的同源关系、数据版本、标签来源和任务定义。

对药物发现和蛋白工程来说，AminoWeb 这类数据集合可能会让更多团队快速搭建原型。例如先用 ProteinGym 做突变效应评估，再结合结构数据和稳定性数据筛选候选，再把相互作用或表位数据接入后续分析。它不会替代实验，但可以让计算筛选更可复现。

对开源生态来说，这也可能推动蛋白质 AI 从论文数据走向数据资产。一个数据集不只是下载链接，而是要有字段、版本、许可、来源、拆分、使用示例和限制说明。

这件事听起来不像模型发布那样兴奋，但它可能更接近领域真正需要的基础设施。

参考文献

[1]. LiteFold. AminoWeb Collection. https://huggingface.co/collections/LiteFold/aminoweb

[2]. LiteFold