UniProt
蛋白序列与功能注释的核心库，人工审阅仅占约 0.4%
- 数据类型
- 蛋白序列；功能注释
- 规模口径
- Swiss-Prot 575,748；TrEMBL 149,430,635（2026_03）
- License
- CC-BY-4.0 ⚠️待复核
- 链接
- www.uniprot.org
内容与规模
UniProt 由 EBI、SIB、PIR 联合维护。2026_03 版：Swiss-Prot（人工审阅）575,748 条，TrEMBL（自动注释）149,430,635 条，人工占比约 0.4% [1]。聚类库 UniRef 实测：UniRef100 221,143,266、UniRef90 121,494,192、UniRef50 38,840,027 簇 [1]。
格式与 license
官方 license 页未抓到；通常认为 CC BY 4.0，需署名 ⚠️ 待复核。
哪些模型拿它训练或评测
UniRef 是 AlphaFold2/AlphaFold3 的 MSA 底座（UniRef90）[2]，也是 ESM-2 / ESMFold（UniRef50 约 6,500 万簇）和 ESM3 的预训练语料。AlphaFold Protein Structure Database 与其条目一一对应；聚类与 MSA 库见 UniRef/BFD/Uniclust30/MGnify（MSA 库）。
已知偏差与泄漏
绝大多数功能注释是自动传递，错误沿同源传播；序列分布偏向可培养、被研究多的物种。版本按季度变化，训练快照（如 AF2 的 UniRef90 2020_01）决定可复现性。
来源
相关卡片
EMBL-EBI公司与机构 · 英国
欧洲生物信息研究所，UniProt、ChEMBL、AlphaFold DB 等的运营方
AlphaFold Protein Structure Database数据集 · 英国
EMBL-EBI 与 DeepMind 联合发布的约 2 亿条预测蛋白结构库
INSDC（GenBank/ENA/DDBJ）数据集 · 全球
三大核酸序列档案的国际联盟，GenBank 达 8.24 万亿碱基
UniRef/BFD/Uniclust30/MGnify（MSA 库）数据集 · 全球
AF2/AF3 搜索多序列比对所用的序列聚类库集合
ESM-2 / ESMFold论文与基准 · 美国
UniRef50 约 6,500 万簇训练的蛋白语言模型，ESMFold 用 AF2 蒸馏
ESM3论文与基准 · 美国
序列、结构、功能多模态，双层合成：预测结构加逆折叠序列
卡片整理 2026-10-15。公司自报数据标“公司口径”；⚠️ 为未经独立核实。