Binding MOAD：蛋白-配体复合物数据库介绍

Binding MOAD（Mother Of All Databases，密歇根大学 Carlson 组）是另一个蛋白-配体复合物数据库。它与 PDBbind 的核心差别在于更强调「生物学相关性」的人工判断：不只是有配体就收，而是逐个判断这个配体是不是真正有生物学意义的结合物。

筛选标准

标准	要求
实验方法	X 射线晶体学
分辨率	≤ 2.5 Å
配体性质	生物学相关，排除结晶助剂、缓冲液成分、冷冻保护剂
配体类型	非共价结合的小分子为主，标注共价情况
亲和力	部分条目有从文献提取的 Kd/Ki/IC50

「生物学相关配体」的人工判定是它最有价值的地方。PDB 结构里的 HETATM 混杂着大量甘油、PEG、硫酸根、乙二醇——自动流程很难可靠区分哪些是真正的结合配体。Binding MOAD 逐个人工审核了这件事，对构建干净的复合物数据集帮助很大。

规模与内容

• 约 4 万个复合物条目，覆盖近 4 万个 PDB 结构；
• 其中约 1.6 万条带有实测结合亲和力数据；
• 按蛋白家族做了聚类（用于避免冗余）；
• 标注了配体的有效性、共价与否、是否为辅因子。

与 PDBbind 的差别

维度	PDBbind	Binding MOAD
核心目标	亲和力预测的训练/评测	高质量复合物的全面收录
亲和力覆盖	全部条目都有	约 40% 条目有
配体筛选	侧重有亲和力数据	侧重生物学相关性人工判定
规模	约 1.9 万（general）	约 4 万
标准评测集	有（CASF core set）	无固定评测集
家族聚类	有	有，且更细致

怎么用

# 从官网下载全量数据（CSV + 结构列表）
# every.csv 含：PDB ID、配体标识、有效性标注、亲和力值与类型

import pandas as pd

df = pd.read_csv("every.csv")
# 只保留有效的生物学相关配体，且有精确亲和力
valid = df[(df["validity"] == "valid") & df["affinity_value"].notna()]

# 按蛋白家族聚类去冗余，避免同源蛋白跨划分
families = valid.groupby("family_id")
print(f"{len(valid)} 条有效数据，覆盖 {families.ngroups} 个蛋白家族")

三个实用场景

• 构建干净的复合物集：需要「只含真实结合配体」的结构集时（如训练姿势预测模型、做口袋分析），它的有效性标注省掉大量人工筛查。
• 做非冗余划分：它的蛋白家族聚类可以直接用来构建无泄漏的训练/测试划分——这正是 PDBbind 默认划分最欠缺的（见 238《PDBbind》）。
• 补充 PDBbind：两者有重叠但不完全相同，合并使用能扩大数据量，但必须去重，且合并后要重新做非冗余划分。

注意

• 亲和力覆盖不全：多数条目只有结构没有亲和力，做定量预测时可用数据量小于总规模。
• 亲和力类型混杂：Kd、Ki、IC50 混在一起，含义不同，建模时应分开或只取一种。
• 更新频率：更新不如 PDB 本身及时，最新结构可能未收录。
• 结构本身的限制仍在：分辨率、缺失原子、配体密度质量等问题依然需要自己检查（见 237《RCSB PDB》）。

延伸资源

• 对照数据集：238《PDBbind》、240《CrossDocked2020》；结构来源：236《PDB》、237《RCSB PDB》；
• 评测陷阱：169《Benchmark 陷阱》。