ProteinGym

内容与规模

仓库当前口径：217 个 DMS 取代类 assay、约 270 万错义变异、2,525 个临床蛋白；另有 indel 基准约 30 万突变 / 74 个 DMS [1]。原 NeurIPS 2023 论文口径为 250+ 个 assay、270 万序列、约 6.5 万临床标注 [2]；另有论文引 v1.3 为约 240 万变异，口径存在差异，未能裁决 ⚠️。数据发布在 AWS Open Data。

真值来源与是否盲测

真值为已发表的深度突变扫描（DMS）实验，回顾式整理，未预注册，不是盲测。

谁用它发布结果、运营方角色

运营方为 Marks Lab（哈佛）与 Oxford OATML，学术机构 [1]。蛋白语言模型作者（如 ESM-2 / ESMFold、ProGen3 一类）常用其做零样本适应度评测，也有少量用于有监督微调。

泄漏与缺陷

DMS 数据来自公开文献，可能与预训练序列库重叠；不同 assay 的测定终点（表达、活性、稳定性）异质；数据集版本间数量口径不一，引用时应写明版本。

来源

1. https://github.com/OATML-Markslab/ProteinGym (2026-10-15)
2. https://www.biorxiv.org/content/10.1101/2023.12.07.570727.full.pdf (2026-10-15)