CrossDocked2020：深度学习 Docking 常用数据集

CrossDocked2020（Koes 组）是为训练深度学习模型而专门构建的对接姿势数据集。它的核心思路是交叉对接：把同一口袋家族里的配体互相对接到彼此的受体结构上，产生大量「非原生」的姿势。这解决了一个关键问题——训练打分模型时，光有正确姿势不够，还需要大量质量各异的错误姿势作为负样本。

怎么构建的

• 从 PDB 中按口袋相似性把结构聚成约 2,900 个口袋簇；
• 簇内每个配体与每个受体结构两两交叉对接（用 smina）；
• 保留生成的姿势及其与原生姿势的 RMSD；
• 最终得到约 2,250 万个姿势，覆盖 18,450 个复合物。

每个姿势都标注了 RMSD（与该配体在其原生受体中的晶体姿势相比），这让它能同时训练姿势质量判别和亲和力预测两类任务。

两类主要用途

用途	怎么用	代表工作
训练打分/重打分模型	用 RMSD 作标签，学习区分好坏姿势	GNINA 的 CNN 打分（见 183《GNINA》）
基于结构的分子生成	以口袋为条件生成配体	Pocket2Mol、TargetDiff、3DSBDD 等

基于口袋的三维分子生成近年是热点方向，绝大多数这类工作都用 CrossDocked2020 做训练与评测——所以理解它的偏差，对判断这些工作的可信度很重要。

正确的划分方式

# 数据集自带的划分方案基于口袋相似性
# types 文件格式：label  affinity  rmsd  receptor_path  ligand_path

# 关键：必须用口袋序列相似性划分，不能随机划分
# 官方提供 30% 序列相似性阈值的划分方案
# 随机划分会让同一口袋的不同姿势跨越训练/测试集，指标严重虚高

• 用官方的 clustered split（按口袋相似性），不要自己随机切；
• 注意区分 it0、it1、it2 等不同迭代的子集；
• 报告结果时说明用了哪个划分与哪个子集，否则不可比。

已知偏差：解读结果时必须知道

• 姿势由 smina 生成：所有非原生姿势都来自同一个对接程序，因此带有 smina 的搜索偏好。在其上训练的模型可能过度适应这种姿势分布，面对其他来源的姿势时表现下降。
• 「好姿势」的定义偏窄：以 RMSD ≤ 2 Å 为正样本，但 RMSD 不总是衡量结合模式正确性的最佳指标（对称分子、部分正确的姿势都会被误判）。
• 生成模型评测的连锁问题：用 CrossDocked 训练的生成模型，评测时又用 Vina 打分——相当于用同一套物理近似既做训练标签又做评价标准，容易得出乐观但站不住的结论。多项独立分析指出，这类模型生成的分子在合成可及性、物理合理性上问题不少。
• 口袋覆盖不均：某些蛋白家族（如激酶）严重过度代表。

实践建议

• 用它做预训练，再在自家数据上微调，比直接用其上的模型更实际；
• 评测基于结构的生成模型时，不要只报 Vina 分数，同时看合成可及性（SA score）、物理有效性（PoseBusters）、以及与已知活性分子的相似性；
• 关注模型是否只是在「记住这个口袋对应哪类配体」——加入口袋序列相似性划分的对照实验可以检验这一点；
• 结合真实筛选基准（如 LIT-PCBA，见 242《LIT-PCBA》）交叉验证。

延伸资源

• 对照数据集：238《PDBbind》、239《Binding MOAD》；打分模型：183《GNINA》；
• 筛选基准：241《DUD-E》、242《LIT-PCBA》；
• 生成模型评测：222《GuacaMol》、223《MOSES》。