PDBbind 把 PDB 中的蛋白-配体复合物结构与从原始文献人工提取的实测结合亲和力（Kd、Ki、IC50）配对，是打分函数开发和结合亲和力预测模型最常用的数据集。几乎所有 AI 打分函数的论文都会报 PDBbind 上的成绩——也正因如此，它的数据泄漏问题必须先讲清楚。
三层结构
| 集合 | 规模（v2020 量级） | 筛选标准 | 用途 |
|---|---|---|---|
| General set | 约 19,000 | 所有有亲和力数据的复合物 | 预训练、数据增强 |
| Refined set | 约 5,300 | 分辨率 ≤ 2.5 Å、R 因子达标、配体质量好、Kd/Ki 精确值 | 主要训练集 |
| Core set | 约 285 | 从 refined set 精选，按靶点聚类、覆盖亲和力范围 | CASF 评测的测试集 |
Core set 的构建很讲究：按序列相似性把靶点聚成约 57 簇，每簇选 5 个亲和力跨度大的复合物。这样设计是为了同时评测不同靶点间的排序和同一靶点内的排序。
CASF 评测的四个维度
- Scoring power：预测亲和力与实测值的 Pearson 相关系数。目前经典打分函数约 0.5～0.6，机器学习方法可到 0.8 以上（但见下文的泄漏问题）。
- Ranking power：同一靶点内不同配体的排序能力（Spearman）。这个比 scoring power 更贴近实际用途——先导优化关心的是「哪个更强」而非绝对数值。
- Docking power：能否从一堆诱饵姿势中挑出正确姿势（RMSD ≤ 2 Å）。
- Screening power：虚拟筛选的富集能力，最接近真实筛选场景。
一个反复被观察到的现象：机器学习打分函数在 scoring power 上大幅领先，但在 screening power 上未必优于经典物理打分函数。这说明它们学到的更多是「记住这类复合物大概什么亲和力」，而非真正理解结合。
数据泄漏：使用前必读
PDBbind 上的高分成绩，很大一部分来自数据泄漏，主要有三种：
- 靶点相似性泄漏：训练集和测试集里有同源蛋白（甚至同一蛋白的不同结构）。模型只要认出「这是激酶 X」就能猜个大概。
- 配体相似性泄漏：同一系列的类似物分散在训练与测试集中。
- 只看配体也能拿高分：多项研究发现，把蛋白信息完全去掉、只用配体特征训练，在 PDBbind 上照样能拿到接近的相关系数。这说明模型很大程度上是在学配体的分子量、疏水性等平凡特征与亲和力的统计关联，而非蛋白-配体相互作用。
# 正确做法：做严格划分并设置对照
# 1) 按蛋白序列相似性聚类划分（如 < 30% identity）
# 2) 同时做配体骨架划分
# 3) 必设「只用配体」的对照实验
# 若你的复合物模型只比配体-only 模型好一点点，
# 说明它并没有真正学到相互作用
# 4) 用时间划分：训练用 2019 年前的结构，测试用之后的更严格的替代与补充
- 时间划分基准：用结构发布年份切分，模拟真实的前瞻预测场景。
- LP-PDBbind 等重新划分的版本：专门控制了蛋白与配体的泄漏。
- PoseBusters 基准集：专注姿势预测的物理有效性评估。
- 结合 LIT-PCBA（见 242《LIT-PCBA》）：评估真实筛选场景下的富集能力。
上手提示
- Refined set 做训练、Core set 做测试是惯例，但默认划分泄漏严重；
- 必须做「只用配体」的对照实验——差距不大说明没学到相互作用；
- Ranking power 和 screening power 比 scoring power 更贴近实际用途；
- 报结果时说明划分方式，并考虑时间划分或序列相似性划分。
延伸资源
- 结构来源：236《PDB》、237《RCSB PDB》；对照数据：239《Binding MOAD》、240《CrossDocked2020》；
- 筛选基准：241《DUD-E》、242《LIT-PCBA》；
- 打分函数与评测陷阱：095《Docking Score》、169《Benchmark 陷阱》。