INSDC（GenBank/ENA/DDBJ）

内容与规模

INSDC 由美国 NCBI / NLM 的 GenBank、EMBL-EBI 的 ENA 和日本 DDBJ 组成，三方每日同步，1982 年起。GenBank Release 273（2026-08）：267,383,895 条序列、8.24 万亿碱基；WGS 5,132,699,813 条序列、50.8 万亿碱基 [1]。

格式与 license

提交型档案，作者上传，库方只做格式与基本一致性检查；数据可自由获取，具体条款以各库声明为准。

哪些模型拿它训练或评测

OpenGenome2 的来源之一是 NCBI，Evo 2 因此间接建立在 INSDC 之上 [2][3]。AF3 的 MSA 库中 NCBI nt（2023-02-23）也来自此体系。中国的 国家基因组科学数据中心 NGDC / CNCB 约镜像 INSDC 25PB。

已知偏差与泄漏

质量由提交者决定，注释错误会被后续记录引用；序列分布偏向被重点测序的物种和临床/模式生物。WGS 记录量远大于完成的基因组，条目数不等于信息量，且同一物种大量重复。

来源

1. https://www.ncbi.nlm.nih.gov/genbank/statistics/ (Release 273，2026-10-15)
2. https://huggingface.co/datasets/arcinstitute/opengenome2 (2026-10-15)
3. https://www.biorxiv.org/content/10.1101/2025.02.18.638918v1.full (2026-10-15)