MGnify

内容与规模

MGnify 由 EMBL-EBI 于 2016 年起运营，对公共宏基因组样本做统一分析并发布蛋白库。2022 年论文口径：蛋白库 >24 亿条非冗余序列；v6 已于 2026 年发布，新总量未查到 [1][2]。

格式与 license

自动分析管线产出，量大、噪声高；许可条款未核。

哪些模型拿它训练或评测

AlphaFold2（MGnify v2018_12）与 AlphaFold3 将其作为 MSA 库 UniRef/BFD/Uniclust30/MGnify（MSA 库）；ESM3 使用 MGnify90 2023_02；OpenFold / OpenFold3 preview 含约 1300 万条 MGnify 长单体（≥200 aa）和 40 万条短单体蒸馏预测（二手，来自 AWS Marketplace 列表）[3]。ESM Metagenomic Atlas 的预测对象也主要是宏基因组序列。

已知偏差与泄漏

宏基因组组装的蛋白常为片段，且物种来源不明；可培养、环境采样集中的类群过表示。作为训练蒸馏集时，其预测结构的质量取决于预测模型，见 AlphaFold DB 与结构蒸馏。

来源

1. https://pmc.ncbi.nlm.nih.gov/articles/PMC9825492 (2026-10-15)
2. https://www.ebi.ac.uk/about/news/updates-from-data-resources/mgnify-v6-released/ (2026-10-15)
3. https://www.rdworldonline.com/openfold3-debuts-as-apache-licensed-protein-co-folding-model-with-apheris-bringing-it-into-pharma-it/ (2026-10-15)