训练数据从哪来:公开库、私有授权、自产 wet lab 与仅验证
112 个模型的训练数据按四类记录:a 公开库、b 私有或授权数据、c 自产 wet lab 训练数据、d 只用于验证的 wet lab。"未披露"与"否"分开记。截至 2026-11-16。
四类训练数据的分布
| 类别 | 是 | 否 | 未披露 |
|---|---|---|---|
| a 公开库 | 96 | 1 | 15 |
| b 私有 / 授权 | 7 | 61 | 44 |
| c 自产 wet lab 训练数据 | 7 | 88 | 17 |
| d 仅用于验证的 wet lab | 37 | 71 | 4 |
结构/共折叠(24)
| 模型 | a 公开库 | b 私有 / 授权 | c 自产 wet lab 训练 | d 仅验证 wet lab |
|---|---|---|---|---|
| AF2-Multimer | 是:PDB 多聚体、UniRef 等公开库;站上为知识性描述,未逐项核实 | 否:预印本只列公开库,未披露授权数据 | 否 | 否 |
| AlphaFold 3 | 是:公开 PDB 加蒸馏数据;论文未给逐库规模 | 未披露 | 否 | 否:开发方未报告湿实验 |
| BioEmu-2 | 是:公开结构库约 18.97 万个体系,以及公开预测结构库的单体、同源与异源二聚体条目和一个多聚体集合 | 否:模型卡称只用公开数据与开发方自产数据 | 否:自产数据是分子动力学轨迹,属计算生成,不是湿实验 | 否 |
| Boltz-1 / Boltz-1x | 是:PDB 加蒸馏;未列逐库规模,数据集按 MIT 发布 | 否 | 否 | 否:两个成员都未报告湿实验 |
| Boltz-2 | 是:PDB(截至 2023-06-01)、MD 系综、蒸馏,加 ChEMBL 等公开亲和力库,总量各来源口径不一 | 未披露:公开版无;2026-01 起与一家大药企用其历史数据精炼,是否进入公开版未公开 | 否 | 否:无自有新做湿实验;合作方 8 个内部 assay 只作留出盲测,一项前瞻为模拟 |
| Chai-1 | 是:PDB 等公开库;官方未给训练集截止日期与条目数 | 未披露 | 未披露 | 否:未报告湿实验 |
| Chai-2 | 未披露 | 未披露 | 未披露:技术报告未说明是否有自产训练数据 | 是:52 个靶点的设计验证;无回灌训练的公开说法 |
| DiffDock | 是:PDBBind;DiffDock-L 另加 PDB 其他复合物与从真实结构侧链切出配体的合成增广 | 否 | 否 | 否 |
| ESMFold2 | 是:PDB 加 AFDB(截止 2021-09),语言模型部分用 ESM C 序列库 | 否 | 否:未见把湿实验结果回灌训练的说法 | 是:5 个靶点的 binder 设计经湿实验检测(未核实 / unverified) |
| HelixFold-S1 | 是:2021-09-30 前的 PDB 条目加结构数据库蒸馏数据,抗体数据来自 SAbDab | 否 | 否 | 否 |
| IntelliFold-2 | 是:PDB 重处理加自蒸馏数据,细节未报告 | 未披露 | 否 | 否 |
| IsoDDE | 未披露:技术报告只说训练截止与 AF3 一致(2021-09-30 前的 PDB),未列具体数据集 | 未披露 | 未披露:技术报告未列内部实验数据 | 否:只有基于已发表结构的回溯案例,不是新做的湿实验 |
| MassiveFold | 是:直接用 AF2 官方权重(PDB、UniRef 等),无新训练 | 否 | 否 | 否 |
| NeuralPLexer3 | 是:蛋白结构库(2020-09-01 之前)、一个公开蛋白集的蒸馏子集约 27 万,以及约 1,270 万条量化计算构象 | 否:论文未提开发方私有数据 | 未披露 | 否 |
| OpenComplex2 | 未披露:论文称纯数据驱动,但数据集构成未披露 | 未披露 | 未披露:摘要提到融合实验数据,来源与规模未说明 | 未披露 |
| OpenDDE | 是:加权 PDB、AFDB-multimer、蒸馏数据、MGnify、Swiss-Prot、SAbDab | 未披露:论文未提私有或授权数据 | 否:论文未提;公司另有高通量湿实验平台,反馈回路称属后续功能 | 否 |
| OpenFold3 | 是:30 万余条实验结构,另 4000 万余条合成/蒸馏(含 MGnify 1300 万序列) | 是:五家药企联邦微调,合计 20,167 条私有结构,另留出 1,056 条(Apheris 自述) | 未披露:OpenBind-0 是否含新测实验数据,官方未说明 | 否 |
| Pearl | 是:PDB(截至 2021-09-30)加 OpenFold / AFDB 单体蒸馏;另有物理方法合成结构 | 否:论文称未使用专有实验数据 | 否:合成结构由物理方法生成(scaling 实验 582,065 个),不是湿实验;旗舰模型合成集规模未披露 | 是:111 个已有内部晶体结构仅作评测,非新做湿实验 |
| Protenix | 是:PDB(截至 2021-09-30,另有 2025-06-30 版)、比对与蒸馏数据;训练数据与比对管线已开源 | 否 | 否 | 是:仅配套设计工具 PXDesign 做湿实验验证,结构预测侧无湿实验 |
| RF3 | 是:PDB,经 AtomWorks 管线处理 | 否 | 否 | 否 |
| RhoFold+/DRfold2/trRosettaRNA | 是:PDB 中千级 RNA 结构与 RNAcentral 等序列库;RhoFold+ 语言模型预训练约 2,370 万条序列 | 否 | 否 | 否 |
| RNAPro | 是:Protenix 训练集加公开 RNA 折叠竞赛数据(5,135 条序列,含全原子标注) | 否 | 否 | 否:评测用一组新解析结构的私有集合 |
| SeedFold | 是:PDB 180,540、AFDB 3,326,991、MGnify 蒸馏 23,075,211 条,截至 2021-09 | 否 | 否 | 否 |
| Vina | 是:打分函数在 PDBbind refined set 上拟合,无深度学习式的大规模训练集 | 否 | 否 | 否 |
小分子(21)
| 模型 | a 公开库 | b 私有 / 授权 | c 自产 wet lab 训练 | d 仅验证 wet lab |
|---|---|---|---|---|
| ADMET-AI | 是:一个公开治疗数据集库的 41 个 ADMET 数据集(10 回归 + 31 分类),其中 22 个构成该库的官方 ADMET 榜;每数据集训练 5 个模型做集成 | 否 | 否 | 否 |
| AQAffinity | 是:三个公开活性与化合物库 | 否:一个授权商业活性库仅用于评测,不用于训练 | 否 | 否:未报告湿实验验证 |
| Beacon(Inductive Bio) | 是:使用公开数据,具体库未披露 | 是:预竞争数据联盟,多方匿名化数据汇集;化合物与测定数未公布 | 未披露:未见自产实验数据的声明 | 否:盲测挑战是外部测试,不是自有湿实验 |
| Chemformer | 是:公开专利反应集与公开分子字符串库用于预训练 | 是:一个公司内部反应数据集被用于对比与下游实验,规模与条款只有声明、未公开细节 | 否 | 否:论文无湿实验验证 |
| Chemprop v2 | 是:无固定训练集;以其为底层的 ADMET 版本用 TDC 的 41 个 ADMET 数据集 | 否:库本身不带数据;用户可带内部数据训练(企业对照即这种用法) | 否 | 否 |
| Enchant v1/v2 | 是:称来自数十个外部来源,库名未列;一套公开人体药代数据集用于 PK 任务 | 未披露:可能有,公司未披露;此前站上只有声明、无规模 | 是:称内部自动化合成与实验平台持续产生新数据,每周对数十个端点微调;规模未披露 | 未披露 |
| ether0 | 是:多个公开化学与药学测量库,题目由已有测量结果改写,论文称覆盖 375 类任务、640,730 道题 | 否 | 否:无新实验,题目来自已有测量结果 | 否 |
| KERMT | 是:25 个公开 ADMET 端点共 114,112 个化合物,另一公开集 6 端点 3,521 个化合物;预训练用两个公开库共 1,100 万个化合物 | 是:药企内部 ADMET 数据:30 个端点、800,733 个化合物,测至 2024 年,不公开 | 否:内部数据属企业历史测定,不是为本模型新产 | 否 |
| MiniMol | 是:约 600 万分子、约 5 亿标签、约 3,300 个图级与节点级任务;摘要未列具体库名 | 未披露 | 否 | 否 |
| MolE | 是:自监督阶段用一个公开化合物库的约 8.42 亿分子图(另对更小子集做对照),监督预训练阶段约 45.6 万分子,活性标签取自一个公开生物活性库 | 否 | 否 | 否:论文无湿实验验证 |
| MoLFormer-XL | 是:两个公开化合物库合计最多 11 亿条分子字符串;公开版各只用 10% | 否 | 否 | 否:论文无湿实验验证 |
| Nesso-1 | 是:沿用 Boltz-2 的公开训练数据与优化流程 | 未披露 | 否:无自产湿实验训练数据 | 否:内部生化 assay 是已有数据上的留出评测,不是新做的湿实验;使用规模未公开 |
| ReaSyn v2 | 是:一家供应商目录的 211,220 个可购砌块与 115 个反应模板,沿用既有文献的设置 | 未披露 | 否:自产的 1,050 万条路径训练数据全部由计算生成 | 否 |
| REINVENT 4 | 是:先验模型以无监督方式在公开分子库的 SMILES 上训练;论文未列库版本,二手整理给出的版本号未在原文核到 | 否:论文未披露用内部数据训练公开先验;内部项目使用属应用,不是训练数据 | 否 | 否 |
| RetroDFM-R | 是:逆合成相关化学数据继续预训练,含取自公开化合物库的结构式与名称对,以及公开逆合成预测数据 | 未披露 | 否 | 否:论文无湿实验验证 |
| Saturn | 是:公开化合物库(ChEMBL 33)预训练 | 否 | 否 | 否:未报告任何湿实验 |
| TamGen | 是:解码器在公开化合物库随机抽取的 1,000 万条 SMILES 上预训练;靶点条件训练用 CrossDocked2020 等复合物集 | 否 | 否:未见把实验结果回灌训练 | 是:针对一个结核分枝杆菌蛋白酶靶点的体外酶抑制实验,仅用于验证 |
| TerraBind | 是:公开结构库与预测结构库、公开复合物集,亲和力来自多个公开活性库加约百万量级合成 decoy | 否:本体无;两个靶点共 9 个专有晶体结构仅用于单独的微调实验 | 否:论文称本体只用公开数据 | 是:18 个内部靶点的已有生化/细胞 assay 数据仅用于评测,非新做湿实验 |
| TxGemma | 是:一个公开治疗数据集库的 66 个任务、超过 1,500 万条数据点 | 否:公开权重只用商业许可数据集,论文版另用了非商用许可数据集 | 否 | 否 |
| Uni-Mol2 | 是:前代约 1,900 万分子,加一个公开化合物库的子集(约 8.84 亿化合物),合计约 8 亿构象 | 未披露 | 否 | 否:论文无湿实验验证 |
| Uni-Mol3 | 是:分子预训练约 1,900 万分子(取自公开化合物与活性库,论文对来源的描述自相矛盾) | 是:一家商业供应商授权的专利反应库,原约 1,667 万条、清洗后 11,973,789 条,按授权不可再分发 | 否 | 否:论文无湿实验验证 |
蛋白(26)
| 模型 | a 公开库 | b 私有 / 授权 | c 自产 wet lab 训练 | d 仅验证 wet lab |
|---|---|---|---|---|
| AlphaProteo | 是:PDB 与结构预测模型的蒸馏数据;只披露来源库,未给数据量、截止日与筛选规则 | 未披露:报告未提及私有或授权数据 | 未披露:未披露是否有自产实验数据进入训练 | 是:有:开发方 wet lab 对八个靶点做结合测试,合作机构另做功能实验 |
| AMPLIFY | 是:三个公开库合成为一个公开数据集(序列库、抗体库与结构分类库) | 否:未见私有或授权数据 | 否 | 否 |
| BindCraft | 是:无自有训练,直接用第三方共折叠模型的现成权重,其训练数据为 PDB 等公开库 | 否:无私有或授权数据 | 否:无自产训练数据 | 是:有,作者自做湿实验验证 |
| BoltzGen | 是:PDB、AFDB 等公开结构库(Boltz 家族口径) | 否:本模型无;Boltz 与一家药企的后续合作使用其历史数据,不在此模型范围 | 否 | 是:设计经湿实验检测,由 CRO 执行、第二家供应商做正交确认 |
| Chai-3 | 未披露 | 是:一项药企合作包含用对方专有数据训练的定制模型 | 未披露 | 未披露:公司称存在湿实验验证,细节未公开 |
| Claude 蛋白设计研究(通用模型 + 公开工具) | 未披露:通用模型的训练数据未公开;所调用的公开工具各有自己的训练数据 | 未披露 | 否:本研究无专门训练,湿实验结果未回灌 | 是:两家外部机构负责表达与结合检测,仅用于验证 |
| DPLM-2 | 是:公开序列库、实验结构库、注释蛋白库,加合成结构 | 否:未见私有或授权数据 | 否 | 否 |
| Dyno Psi-1 / Psi-Phi | 是:实验结构库、预测结构库单体与约 400 万合成结构域界面二聚体(其中 32,253 个高置信用于微调) | 否 | 未披露:实验反馈进入训练的范围未披露 | 是:酵母展示与 SPR 仅用于验证 |
| ESM C | 是:UniRef、MGnify、JGI,按 70% 序列一致性聚类后分别约 8,300 万、3.72 亿、20 亿个簇;机构发布页另称约 28 亿条训练序列(开发方口径) | 未披露:官方页面只列上述公开库,未披露私有数据 | 否 | 是:更新版发布中的 5 靶点 binder 实验,未见回灌训练的说法;分母与归属未核实 |
| ESM3 | 是:UniRef、MGnify、JGI、OAS、PDB、AFDB 等;最大模型用 2.78B 条天然蛋白,含预测结构与合成数据后合计 3.15B 条序列、2.36 亿个结构、5.39 亿条带功能注释蛋白 | 未披露:论文所列数据源均为公开库,未披露私有授权数据 | 否 | 是:esmGFP 设计经湿实验测试,未见回灌训练的说法 |
| EVOLVEpro | 是:冻结使用的 ESM-2 15B 预训练权重,数据为公开序列库;12 套 DMS 只用于计算机网格搜索 | 否:论文未提及私有或授权数据 | 是:每个蛋白数轮主动学习,每轮约 11–16 个变体的实测活性训练顶层回归器 | 否:同一批实验既是训练输入也是应用结果,不是单纯验证 |
| La-Proteina | 是:两个公开结构数据库子集(约 34.5 万与约 4,694 万结构),未用 PDB | 否 | 否 | 否:论文无湿实验;下游模型另做验证 |
| Latent-X/X2 | 未披露:未披露训练数据来源与规模 | 未披露:未披露是否有私有或授权数据 | 未披露:未披露;不能写成「仅公开库」 | 是:有,湿实验用于验证,未见回灌训练的说法 |
| LucaOne | 是:169,861 个物种的 DNA、RNA 与蛋白序列,存档于公共基因库;总条数论文未确认 | 否 | 否 | 否 |
| Mosaic | 否:无自有训练,依赖所调用模型的权重 | 否 | 否 | 是:设计经一家蛋白测量服务商检测,仅用于验证 |
| Pinal | 是:公开注释库(蛋白序列、结构、结构域与酶注释)生成的 17 亿条合成蛋白-文本配对 | 否 | 否 | 是:四项任务的湿实验仅用于验证 |
| PoET-2 | 是:公开序列库的 6,200 万组同源序列,并用公开预测结构做结构条件,不用实验结构 | 否:未见私有或授权训练数据 | 否 | 否 |
| Profluent-E1 | 是:开发方自行整理的基因组与宏基因组序列集,论文称训练用了约 4 万亿 token | 未披露:论文未说明该集合是否含授权数据 | 否 | 否 |
| ProGen3 | 是:自建的蛋白图谱 v1:34 亿条全长蛋白、1.1 万亿氨基酸 token,来自基因组与宏基因组并经自家清洗 | 未披露 | 是:对齐阶段用了「有限的实验室数据」(活性、表达、稳定性、结合),规模与来源未披露 | 是:另做了合成表达与抗体候选的结合与可开发性测试,数量未披露 |
| ProSST | 是:约 1880 万条公开结构 | 否:未见私有或授权数据 | 否 | 否 |
| Proteina-Complexa | 是:前作的 4,600 万结构-序列对、PDB 多聚体、PLINDER 蛋白-配体对,另加合成二聚体数据集 | 未披露 | 否:未见把湿实验结果回灌训练的说法 | 是:大规模合作湿实验仅用于验证 |
| RFdiffusion2/3 | 是:PDB 与结构数据库蒸馏 | 否:无私有或授权数据 | 否:无自产训练数据 | 是:有,少量酶与 DNA 结合蛋白验证,规模小 |
| SaProt | 是:约 4000 万条公开预测结构与序列,用结构比对工具编码成结构 token | 否:未见私有或授权数据 | 否 | 否 |
| SeedProteo | 是:公开结构库单体约 50 万、PDB 双链复合物约 5 万,另约 10 万合成结构域相互作用对 | 否 | 否 | 是:两个靶点的湿实验仅用于验证 |
| VenusREM | 是:无监督,不使用 DMS 训练;基座数据与 ProSST 同 | 否:未见私有或授权数据 | 否 | 是:10 个 DNA 聚合酶新突变体做高温活性测试;另一批抗体突变体是回顾分析 |
| xTrimoPGLM | 是:约 9.39 亿条蛋白序列、2000 亿 token:UniRef90 加 ColabFoldDB 的簇与成员 | 否:论文只列两个公开库 | 否 | 否 |
抗体(7)
| 模型 | a 公开库 | b 私有 / 授权 | c 自产 wet lab 训练 | d 仅验证 wet lab |
|---|---|---|---|---|
| Germinal | 是:无专门训练,直接使用共折叠模型与两个抗体语言模型的现成权重,其数据为公开序列与结构库 | 否 | 否 | 是:湿实验只用于验证,测试据二手来源由一家基因合成公司参与 |
| HCAbLM | 未披露:未披露是否混入公开数据 | 否 | 是:自有转基因小鼠平台的免疫库:73 只免疫小鼠、3180 万条全人源 HCAb 序列 | 是:SEC、HIC 与热稳定性的实验测量用于迁移评估 |
| IgGM / IgGM-FM | 是:2022-12-31 前发布的公开抗体复合物:6,448 个重轻链与 1,907 个单链复合物,聚为 2,436 组 | 否 | 否 | 是:若干抗原上的亲和力测定用于验证 |
| JAM / JAM-2 | 未披露:技术报告未写训练数据来源 | 未披露 | 未披露:预训练未披露;推理期用已验证分子做提示的「实验引导转向」不属训练 | 是:报告的全部结果来自新做的湿实验筛选 |
| Origin-1 | 是:自建抗体结构集,来自 10,045 个公开结构库条目,涵盖一个专门抗体数据库的全部条目;零先验靶点的同源复合物从各划分中排除 | 否 | 未披露:方法节只写公开结构数据;官网另称模型来自多年专有数据生成与闭环实验,规模与构成未给 | 是:10 个靶点的结合、特异性、聚集、结构与功能检测 |
| RFantibody | 是:在公开 PDB 抗体复合物上微调扩散与折叠模型 | 否 | 否 | 是:酵母展示、SPR、冷冻电镜与亲和力成熟仅用于验证 |
| tFold | 是:公开抗体结构库(按 2022-07 时间划分)与公开序列用于语言模型 | 否 | 未披露:自产训练用湿实验数据未披露 | 是:噬菌体展示与 SPR 在四个靶点上验证 |
基因组/RNA(9)
| 模型 | a 公开库 | b 私有 / 授权 | c 自产 wet lab 训练 | d 仅验证 wet lab |
|---|---|---|---|---|
| AlphaGenome | 是:公开功能基因组学与变异资源;论文明确未产生新的原始实验数据 | 未披露 | 否 | 否:论文中的多重报告基因与变异验证全部用公开数据 |
| AlphaMissense | 是:蛋白序列与结构的进化信息,加公共人群频率库的等位频率 | 否 | 否 | 否:无自做湿实验;模型选择用了临床变异库,开发方图注自承在该基准上可能被高估 |
| BioReason | 是:KEGG 通路及 ClinVar、OMIM、dbSNP、COSMIC 注释,gnomAD 良性对照 | 未披露 | 否 | 否 |
| Borzoi | 是:ENCODE RNA-seq、GTEx v8、FANTOM5 CAGE、DNase、ChIP-seq 等,7,611 条人类输出轨迹 | 否 | 否 | 否 |
| BulkFormer | 是:两个公开表达数据库中的人类 bulk 转录组,覆盖 20,010 个蛋白编码基因;样本数预印本写 522,769、发表版摘要写 581,503 | 否 | 否 | 否:下游任务用公开队列与公开药物响应、必需性数据集 |
| Evo 2 | 是:公开泛基因组数据集(含原核、真核与噬菌体序列);token 数与核苷酸数两个口径按原文分开写 | 未披露 | 否 | 是:设计序列整合进细胞后用染色质可及性测序检验,仅作验证 |
| NTv3 | 是:公开泛基因组数据集预训练(技术报告称训练 9T 碱基),后训练用公开功能基因组学轨迹与注释,含人鼠轨迹集与一套植物及昆虫数据 | 未披露 | 否 | 是:在一种昆虫细胞系中用报告基因测序验证生成的增强子,仅作验证 |
| popEVE | 是:进化序列 MSA、公共人群频率库、一项大型人群队列的约束,以及公开 DMS 数据 | 否 | 否 | 否:无自做湿实验;新候选基因的确认来自外部独立研究 |
| RIBOSPAN | 是:去重后 6,760 万条 RNA 序列、857 亿个核苷酸 token,来自三个公开序列与基因组注释资源的指定版本 | 否 | 否 | 否:下游评测用已有实验数据集,未做新实验 |
单细胞(12)
| 模型 | a 公开库 | b 私有 / 授权 | c 自产 wet lab 训练 | d 仅验证 wet lab |
|---|---|---|---|---|
| AIDO Cell | 未披露:本版本训练数据构成未披露;前一代单细胞模型用公开单细胞资源,属另一代产品 | 未披露 | 未披露 | 未披露:公开材料只有对已知药物机理的复现演示,未提前瞻性湿实验 |
| C2S-Scale | 是:超过 5,000 万人和小鼠细胞(来自公开细胞图谱等)加生物文本与元数据,组成约 10 亿 token 的语料与 1.5 亿条训练样本 | 否 | 否 | 是:一个药物假说在实验室中检验,属验证而非训练 |
| CellFM | 是:公开数据库中的 19,914 个样本、约 1.023 亿个人类细胞 | 否 | 否 | 否 |
| Lingshu-Cell(灵枢·细胞) | 是:PARSE 10M PBMC、CZ CELLxGENE、scBaseCount、VCC H1 训练数据及公开扰动数据集 | 未披露:论文未披露,未发现使用 | 否:扰动数据由 Arc 与 Parse 等第三方产出 | 否 |
| scGPT / Geneformer | 是:Geneformer:约 2990 万人类细胞(后续约 9500 万);scGPT:约 3300 万 CELLxGENE 细胞 | 否 | 否 | 是:Geneformer 有一项细胞层面验证;scGPT 无 |
| scPRINT-2 | 是:超过 3.5 亿个细胞、2.2 万多个数据集、16 个物种,主要来自 CZ CELLxGENE 与 scBaseCount | 否 | 否 | 否 |
| Stack | 是:预训练用一套公开计数集的 1.49 亿细胞;后训练 5,500 万细胞,来源含一个公开细胞图谱与一家试剂公司产出的外周血扰动数据 | 未披露 | 否:开发方自产无;后训练用到的扰动数据由第三方公司产出 | 否:配套预测集未经湿实验验证 |
| STATE | 是:观测数据约 1.67 亿细胞(含机构自建图谱与公开计数集),扰动数据逾 1 亿细胞、70 个细胞系,另有一套公开 Perturb-seq | 未披露 | 否:对开发方而言无:主要扰动数据由一家数据公司产出后捐入机构图谱(约 1 亿细胞、50 个癌细胞系、1,100 个扰动),另一套由一家试剂公司产出;机构自产的挑战赛数据只用于评测。为防泄漏,训练只用其中 20 个细胞系、留 5 个测试 | 否 |
| Tahoe-x1 | 是:两个公开单细胞图谱与计数集,与自产语料合计 2.66 亿条单细胞图谱 | 未披露 | 是:自产扰动语料:约 1 亿条图谱、1,100 个小分子扰动、50 个癌细胞系;数据方与模型方为同一公司 | 否 |
| TranscriptFormer | 是:主要为 CELLxGENE,约 1.12 亿个细胞、12 个物种 | 否 | 否 | 否 |
| X-Cell | 未披露:项目页只列自产扰动集;小版本由一个公开单细胞模型初始化,间接继承其公开数据,其余公开数据使用情况未披露 | 否 | 是:自产 CRISPRi 扰动单细胞集 2,560 万个细胞;上下文数口径冲突:项目页与发布稿记 7 个筛选(每筛 9,735–18,924 个扰动),多数报道记 16 个生物学上下文 | 否 |
| xTrimoSCPerturb / scFoundation | 是:scFoundation 预训练用超过 5,000 万个人类单细胞转录组 | 未披露 | 否:赛事发放的 H1 扰动数据由 Arc 自产,用于微调,不是开发方自产 | 否 |
分子生成(1)
| 模型 | a 公开库 | b 私有 / 授权 | c 自产 wet lab 训练 | d 仅验证 wet lab |
|---|---|---|---|---|
| GenMol | 是:SAFE 数据集,来自 ZINC 与 UniChem,约 9.46 亿个分子 | 否 | 否 | 否 |
文本与 agent(12)
| 模型 | a 公开库 | b 私有 / 授权 | c 自产 wet lab 训练 | d 仅验证 wet lab |
|---|---|---|---|---|
| Biomni | 是:工具、软件包与数据库均为公开资源 | 未披露 | 否 | 是:一次克隆实验用于验证 |
| Co-Scientist | 未披露:底座 Gemini 训练数据未披露;ChEMBL、UniProt 等为推理时工具 | 未披露 | 否:系统不靠湿实验数据训练 | 是:部分假设由外部合作实验室做湿实验检验,开发方未汇总数量 |
| GPT-Rosalind | 未披露:插件接入的公共数据库是推理时的工具,不等于训练数据 | 未披露 | 未披露 | 否:无公开湿实验验证;合作方只称在自身研究流程中应用或评估 |
| Intern-S | 是:科学文档(以页面图像做视觉预训练)、图文交错数据与图像检索库;agent 训练用公开可执行任务集,论文列出各集的任务与环境数 | 未披露 | 否 | 否:三篇论文与官方仓库均未报告湿实验验证 |
| Kosmos / Edison Analysis | 是:基座语言模型加公开文献与数据;训练数据未披露 | 未披露 | 否 | 否 |
| MedGemma / Med-Gemini | 是:公开医学文本与图像,含 MedQA、MedMCQA、PubMedQA 训练划分 | 是:更大规模内部非公开数据,如约 3250 万病理图块-文本对;外部授权未说明 | 否 | 否 |
| Quine | 未披露:未披露具体数据集 | 未披露 | 未披露:胰腺癌患者来源 ex vivo 模型来自与 Broad 的多年合作,是否用于训练未说明 | 是:胰腺癌细胞状态转换预测由 Broad 方面的 ex vivo 实验检验 |
| Robin | 是:基座模型与检索工具使用公开文献 | 未披露 | 否 | 是:细胞吞噬实验检验候选 |
| SciReasoner | 是:数十个公开库,涵盖蛋白序列与结构、文献、化学与生物活性、反应、材料与核酸数据;与测试集同源的蛋白及与反应测试集重合的反应已从预训练中剔除 | 未披露 | 否 | 否 |
| TxAgent | 是:211 个工具背后的公开来源,如 FDA 药品信息与 Open Targets | 未披露 | 否 | 否 |
| VERID | 未披露:底层语言模型与设计工具的训练数据未披露;公开结构库条目作为设计目标 | 未披露 | 是:核酸适体闭环中每轮约 1,000 个候选、合计约 4,400 个构建体的实验反馈用于在线调整设计规则,不是预训练 | 是:结合蛋白一侧的酵母展示与分选属验证 |
| 前沿通用大模型 | 未披露 | 未披露 | 否 | 否 |
方法说明
- 每格的说明与出处来自模型记录的 training_data 字段;逐项出处见各模型页的"训练数据"一节。
- 湿实验验证的数字(靶点、受测设计、命中)只在模型页列出,未核实的不给数字。
本文为个人研究笔记,结论基于成文时可获得的公开信息;带〔估算〕〔推断〕或⚠️的数字未经独立核实。