Data / AI for Science

公共数据库与文献沉淀

整理 2026-10-15 · 来源与口径标注见正文
本文目录
  1. 一句话结论
  2. 生产方式
  3. 厂商与渠道
  4. 应用方式
  5. 规模、成本与价格
  6. 局限与争议
  7. 口径冲突与未核实
  8. 来源

本章是 AI4S 数据金字塔的最上游：免费或低成本、体量最大，但带有系统性偏差，且几乎不含"私有真值"。数字标 [n]，对应文末来源；标"API 实测"者为 2026-10-15 直接调用官方 REST / E-utilities 所得的一手口径。

一句话结论

  1. 主流结构、序列、单细胞模型的训练底座几乎全是免费公共库。 AlphaFold2 用 Protein Data Bank (wwPDB)（截至 2018-04-30）加 UniRef90 / BFD / Uniclust30 / MGnify 做 MSA，并以 355,993 条 Uniclust30 序列自蒸馏，最终训练约 75% 样本来自蒸馏集、约 25% 来自 PDB（二手转述）[1]；Evo 2 的 OpenGenome2 约 8.84 万亿核苷酸，Apache 2.0 [2][3]。底座免费，"拥有公共数据"本身不构成壁垒。
  2. PDB 共 261,301 条，年增约 1.76 万条，cryo-EM 增速最快。 API 实测累计 X 射线 208,179（79.7%）、EM 37,313（14.3%）、NMR 14,746（5.6%）；EM 占当年新发布的比例 2019 年 12.4%、2023 年 31.5%、2025 年 40.9% [4]。
  3. 序列库已到无法人工标注的量级。 UniProt 2026_03 中 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% [6]；AlphaFold Protein Structure Database 约 2.41 亿（v6）预测结构 [7]；ESM Metagenomic Atlas 逾 6.17 亿条宏基因组预测 [8]。预测补全的是"形状"，不是"功能 / 活性真值"。
  4. 单细胞公共数据进入亿级，但带扰动标签的配对真值仍稀缺。 CZ CELLxGENE Discover / Census Census 2025-11-08 LTS 约 2.18 亿细胞（去重约 1.25 亿）、1,845 个数据集 [9]；Tahoe-100M 约 1 亿转录组、CC0 [10]。
  5. 受控访问型数据的壁垒是准入而非价格。 UK Biobank 三档访问费 £3,000 / £6,000 / £9,000（3 年，不含 VAT，只能在其云平台内分析）[13]；中国 GSA 用户数据已超 100PB，人类遗传资源信息对外提供前须安全审查 [14][15]。

生产方式

本节写各类库的收录与维护方式：谁提交、谁策展、增长靠什么、经费从哪来。

类型 收录机制 代表 维护特征 经费
提交型档案 作者或期刊强制提交，库方做格式与生物学合理性检查 wwPDB（Protein Data Bank (wwPDB)、Electron Microscopy Data Bank）、GEO 与 SRA、INSDC（GenBank/ENA/DDBJ）、GSA 质量由提交者决定；规模随测序与冷冻电镜通量增长 公共经费（NSF / NIH / DOE / EMBL 等）
人工 / 半自动策展型 策展人从文献、专利抽取结构化记录 ChEMBL、BindingDB、Swiss-Prot、DrugBank、PDBbind / PDBbind+ 贵、慢、准；ChEMBL 靠文献策展，2026-05 发布 CHEMBL37 [16]；BindingDB 的增长大量来自美国专利策展 [17] Wellcome / EMBL / NIH；DrugBank 为公司运营
自动注释 / 聚合型 管线自动处理或聚合多源 TrEMBL、UniRef、MGnify、PubChem 量大、噪声高；PubChem 聚合 1,000 余个数据源 [18] NIH / NLM、EMBL
社区 / 联盟整理型 联盟统一重处理与统一 schema CZ CELLxGENE Discover / Census、Human Cell Atlas、scPerturb、DepMap 增值在重处理而非新实验；scPerturb 整理 44 个公开扰动数据集 [19]；DepMap 季度发布 [20] CZI、Broad、NIH、联盟
受控队列型 参与者同意加数据访问委员会审批 UK Biobank、GTEx 与 TCGA 个体级、GSA-Human 访问需申请，分析在云端沙箱内 慈善、政府、药企
预测型"二级库" 模型对一级库推理后落盘 AlphaFold Protein Structure Database、ESM Metagenomic Atlas 由 UniProt / MGnify 经算力生成，不是新实验 DeepMind + EMBL-EBI、Meta

关键事实：

  • 结构库产出依赖仪器与人力。 PDB 每条记录来自 X 射线、冷冻电镜或 NMR 实验，库方只归档不产数据。AlphaFold DB 是第一个"算力产出的结构"库。
  • 文献沉淀。 PubMed 约 4,128 万条记录（E-utilities 实测），2025 年发表日期记录约 188 万条；PMC 全文约 1,270 万篇，其中开放获取约 831 万篇 [21]。bioRxiv 2025 年全年 67,211 条记录（新稿 49,318）[22]。
  • 专利。 SureChEMBL 旧口径 1,700 万化合物 / 1,400 万专利文档；2025 年改为仅发布双周批量文件并启动 AI 注释（扩展到靶点、蛋白、基因）；当前总量 ⚠️ 未查到 [23]。
  • MSA 底座。 AF2 用 UniRef90 v2020_01、BFD、Uniclust30 v2018_08、MGnify v2018_12 [1]；AlphaFold3 同用 UniRef90、Uniclust30、MGnify、BFD，另加 Rfam 14.9、RNAcentral 21.0、NCBI nt [24]。详见 UniRef/BFD/Uniclust30/MGnify（MSA 库）。这些全是公共库的版本快照。
  • 运营机构。 欧洲侧多由 EMBL-EBI 运营，美国侧多由 NCBI / NLM 运营。

厂商与渠道

公共库的"厂商"是运营机构与数据中心。下表以数据库为单位，覆盖中国、美国与全球。

名称 国家 类型 规模口径 用户 经费 来源
国家基因组科学数据中心 NGDC / CNCB（国家基因组科学数据中心 / CNCB） 中国 提交型 + 受控（GSA、GSA-Human、OMIX 等） GSA 用户数据 2026-02-21 突破 100PB；1,272 家机构、14,246 名用户；日下载约 20TB；镜像 INSDC 约 25PB（NGDC 自报） 200+ 国家 / 地区，支撑 12,000+ 篇论文（自报） 国家财政，金额未披露 [14][25]
国家微生物 / 人口健康科学数据中心 中国 国家科学数据中心 ⚠️ 未查到，归属待复核 ⚠️ 未查到 ⚠️ 未查到 —
PDBbind / PDBbind+（中科院上海药物所王任小组） 中国 策展型亲和力集 v2020 通用集 19,443 个复合物（二手）；PDBbind+ 为订阅制（供应商口径） 学术与工业 ⚠️ 未查到 [26][27]
Protein Data Bank (wwPDB)（wwPDB：RCSB / PDBe / PDBj / BMRB） 美国 / 英国 / 日本 提交型 261,301 条（API 实测） 全球结构生物学与 AI 训练 公共经费 [4][28]
Electron Microscopy Data Bank（EMBL-EBI） 英国 提交型 2025 年首次单年发布 >10,000 条；2026-07 页面显示 59,904 条 map 同上 公共 [5][29]
UniProt（EBI / SIB / PIR） 英 / 瑞士 / 美 策展 + 自动 Swiss-Prot 575,748；TrEMBL 149,430,635（2026_03） 全球 NIH 等 [6]
AlphaFold Protein Structure Database（EMBL-EBI + Google DeepMind） 英国 预测型 约 2.41 亿（v6；官方概览页未给精确值）；2025 版与 UniProt 2025_03 同步，加入 isoform、MSA 与 >3.61 亿 TED 结构域注释 全球 DeepMind + EMBL-EBI [7][30]
ESM Metagenomic Atlas（Meta AI） 美国 预测型 >6.17 亿条，约 2.25 亿条高置信 学术与工业 Meta [8]
ChEMBL（EMBL-EBI） 英国 文献策展 CHEMBL37：去重化合物 2,921,148，活性 24,527,044，靶点 18,552，文献 101,100（API 实测） 药企与学术 Wellcome / EMBL 等 [16]
PubChem（NCBI） 美国 聚合 化合物 124,717,116；物质 349,884,578；生测 1,886,628（E-utilities 实测） 全球 NIH / NLM [18][21]
BindingDB 美国 策展（专利为主） 290 万测量、130 万化合物（NAR 口径） 学术与工业 ⚠️ 未查到 [17]
DrugBank（OMx） 加拿大 策展 v5.1.22（2026-06-27）；学术下载"暂停" 学术免费、商业付费 公司运营 [31]
Enamine REAL Space 乌克兰 / 美国 可购买按需合成空间 1,163 亿分子（公司页，口径日期未标）；3–4 周交付、成功率 >80%（公司口径） 药企虚拟筛选 私营 [32]
ZINC-22（UCSF） 美国 可购买分子库 >370 亿可搜索的可购买化合物（2023 论文口径） 学术 NIH [33]
GEO 与 SRA（NCBI） 美国 提交型 GEO Series 298,484，Samples 8,784,042；2025 年新增 Series 27,255；SRA 记录 47,200,720（实测） 全球 NIH [21]
INSDC（GenBank/ENA/DDBJ）（GenBank / ENA / DDBJ） 美国 / 英国 / 日本 提交型 GenBank Release 273（2026-08）：267,383,895 条序列 / 8.24 万亿碱基；WGS 5,132,699,813 条 / 50.8 万亿碱基 全球 NIH 等 [34]
MGnify（EBI） 英国 聚合 蛋白库 >24 亿条非冗余序列（2022 论文口径）；v6 于 2026 发布，新总量 ⚠️ 未查到 全球 EMBL [35]
CZ CELLxGENE Discover / Census（CZI，Chan Zuckerberg Biohub 体系） 美国 联盟整理 见下节规模表 全球 CZI [9]
Human Cell Atlas 国际 联盟整理 （二手）2025-01 更新含 6,200 万细胞、9,100 位供者；官方页未给精确数 全球 CZI 等 [36]
Tahoe-100M（Tahoe Therapeutics）+ Arc Virtual Cell Atlas（Arc Institute） 美国 扰动单细胞 + 统一处理公共单细胞 Tahoe-100M：>1 亿转录组、50 癌细胞系；scBaseCount 初版 >2.3 亿细胞 / 21 物种 学术与工业 公司 / 非营利 [10][11]
scPerturb 德 / 美 联盟整理 44 个公开扰动数据集 学术 ⚠️ 未查到 [19]
DepMap（Broad） 美国 联盟整理 季度发布；细胞系数 ⚠️ 未查到 学术与工业 NIH / Broad / 联盟 [20]
GTEx 与 TCGA 美国 受控队列 TCGA：33 种癌症、>20,000 例、>2.5PB；GDC Data Release 46.0（2026-08-10）；GTEx 数字 ⚠️ 未查到 学术 NIH / NCI [37][38]
UK Biobank 英国 受控队列 50 万人；WGS / WES；蛋白组试点 54,000+ 人；PPP 计划首期 300,000 样本至 600,000 样本，自 2026 起分批释放、全量 2027 3 万+ 研究者（自报，未核） 慈善 + 政府 + 药企 [13][39]
SureChEMBL 英国 专利化学 旧口径 1,700 万化合物 / 1,400 万文档；当前 ⚠️ 未查到 学术 EMBL [23]

应用方式

训练底座对照

模型 训练 / MSA 数据 来源库 备注
AlphaFold2 PDB（≤2018-04-30）；自蒸馏 355,993 条 Uniclust30 序列；MSA：UniRef90 2020_01、BFD、Uniclust30 2018_08、MGnify 2018_12 [1] PDB、UniProt、MGnify 最终约 75% 样本来自蒸馏集、25% 来自 PDB（二手转述）[1]
AlphaFold3 PDB 截止 2021-09-30（PoseBusters 版 2019-09-30）；AF-Multimer v2.3 蒸馏；Rfam、RNAcentral、NCBI nt；CCD 配体字典 [24] PDB、UniProt、MGnify、RNAcentral 配体数据细节在补充材料，未核
ESM-2 / ESMFold / ESMFold UniRef 系列语言模型；Atlas 对宏基因组序列预测 >6.17 亿结构 [8] UniRef、MGnify 76.8% 高置信预测与 UniRef90 相似度低于 90%（预印本口径）[8]
Evo 2 OpenGenome2 约 8.84 万亿核苷酸；40B 模型训练 token 为 9.3 万亿、7B 为 2.4 万亿（token 数，与数据集规模是两个口径）；排除感染真核宿主的病毒 [2] GTDB v220、IMG/PR、IMG/VR、NCBI、Ensembl、RNAcentral / Rfam 预训练阶段 Metagenomics（MGD DB）854B token 为最大一块 [3]
scGPT 约 3,300 万正常人类细胞，51 个器官 / 组织，441 项研究 [42] 公共单细胞数据（含 CELLxGENE 的说法为二手，未在检索结果中确认） Nat Methods 2024
下游蒸馏模型 用 AFDB 预测结构做蒸馏 AlphaFold Protein Structure Database 二级数据，见 OpenFold / OpenFold3 等开源复刻

评测用途。 PDBbind / PDBbind+ / CASF 用于对接与亲和力评测，但存在泄漏（见局限）；PDB 时间切分用于结构预测评测，如 AF3 的 Recent PDB（2022-05 至 2023-01）[24]。

作为验证与 reward。 DepMap CRISPR 依赖性、scPerturb 扰动响应用于虚拟细胞模型评测；ChEMBL / BindingDB 活性回归是小分子预测的默认训练集。

文献挖掘。 PubMed / PMC 开放获取全文（约 831 万篇）是生物医学语言模型的主要语料来源；各模型具体语料规模未逐一核实。

化学与材料。 化学侧以 ChEMBL / PubChem / ZINC + Enamine REAL 为主；材料侧数据集属仿真与合成层，见 模型仿真与合成数据。公共库之上的湿实验补充见 湿实验真值数据生产，各模型完整配方见 模型训练数据配方。

规模、成本与价格

主要数据库规模表

名称 类型 条目数 年增量 license 被哪些模型用作训练底座 来源
Protein Data Bank (wwPDB) 实验结构 261,301 2019 年 11,479；2021 年 12,584；2023 年 14,498；2024 年 15,455；2025 年 17,601（wwPDB 通报 17,589）；2026 年至今 14,077 CC0 1.0 AF2、AF3、RFAA、各类对接 / 设计模型 [4][28]
Electron Microscopy Data Bank 冷冻电镜密度图 59,904 条 map（2026-07） 2025 年发布 11,692 条 页面未核 间接（与 PDB 联动） [5][29]
UniProt 序列与注释 Swiss-Prot 575,748；TrEMBL 149,430,635 随版本更新（2026_03，2026-09-02） CC BY 4.0（官方 license 页未抓到，待复核） ESM 系、AF 系 [6]
UniRef（见 UniRef/BFD/Uniclust30/MGnify（MSA 库）） 序列聚类 UniRef100 221,143,266；UniRef90 121,494,192；UniRef50 38,840,027 — 同 UniProt AF2、AF3 的 MSA API 实测
AlphaFold Protein Structure Database 预测结构 约 2.41 亿（v6；UniProt 约 2.3 亿蛋白） 随 UniProt 同步 官方页称"freely and openly available"，条款未写；NAR 论文 CC BY 4.0 下游蒸馏 [7]
ESM Metagenomic Atlas 预测结构 >6.17 亿（约 2.25 亿高置信） 一次性发布 未核 评测与蒸馏 [8]
INSDC（GenBank/ENA/DDBJ）（GenBank） 核酸序列 2.67 亿序列 / 8.24 万亿碱基；WGS 51 亿序列 / 50.8 万亿碱基 — 公共 Evo 2 等基因组模型 [34]
GEO 与 SRA 功能基因组 / 原始测序 GEO 298,484 Series / 8,784,042 Samples；SRA 47,200,720 条记录（单位为记录，非碱基量） GEO 2025 年新增 27,255 Series 公共 单细胞与表达模型的上游 [21]
ChEMBL 生物活性 2,921,148 化合物；24,527,044 活性 CHEMBL37（2026-05-01） 官方文档称 CC BY-SA 3.0（未抓到该页，待复核） 小分子活性模型、Boltz-2 亲和力 [16]
PubChem 化合物 / 物质 / 生测 化合物 1.247 亿；物质 3.499 亿；生测 188.7 万 — 美国政府作品为主，各源条款不一 小分子预训练 [18][21]
BindingDB 结合亲和力 290 万测量 / 130 万化合物 — 未核 亲和力回归 [17]
CZ CELLxGENE Discover / Census 策展单细胞 约 2.178 亿细胞，去重约 1.255 亿；1,845 数据集（2025-11-08 LTS） — 数据集各自条款，未逐一核 单细胞基础模型 [9]
Tahoe-100M 扰动单细胞 >1 亿转录组，429GB — cc0-1.0 虚拟细胞模型 [10]
GTEx 与 TCGA（TCGA） 肿瘤基因组 33 种癌症，>20,000 例，>2.5PB GDC 当前 Release 46.0 个体级受控 肿瘤基因组分析 [37]
国家基因组科学数据中心 NGDC / CNCB（GSA） 原始序列 >100PB（用户提交） 10PB（2021-09）至 100PB（2026-02） 开放 + 受控分层 国内基因组研究 [14][25]
Enamine REAL Space 可合成空间 1,163 亿 — 商业库 虚拟筛选 [32]

Census 物种拆分（总 / 去重）：人 162,025,130 / 99,633,637；小鼠 46,299,127 / 21,029,771；恒河猴 7,010,229 / 2,929,014；狨猴 2,275,451 / 1,712,738；黑猩猩 158,099 / 158,099 [9]。

口径提醒：公开说法易把 PDB 中 EM 的"累计占比"与"当年占比"混用。实测累计 14.3%，2025 年当年发布 40.9%，存放口径 45.3% [5]；EM 尚未超过 X 射线，但新增占比已接近。

访问成本

项目 价格 / 条件 备注
UK Biobank Tier 1 £3,000 / 3 年 问卷、体测、健康结局
UK Biobank Tier 2 £6,000 / 3 年 加生化 / 血液学、蛋白组、基因型；蛋白组归层各页面版本不一致，预算前须核对
UK Biobank Tier 3 £9,000 / 3 年 加影像、全基因组 / 外显子
UK Biobank 续年 £1,000 / £2,000 / £3,000 对应三档
UK Biobank 其他 加机构 £1,000；学生 £500；低收入国家研究者可由 Global Researcher Access Fund 承担；另有 $500,000 / 年 AWS 积分支持早期职业与低收入国家研究者 不含 VAT；分析费用（计算、上传存储）另计，数据存储免费，传出收费 [13]
开放库（PDB、UniProt、ChEMBL、PubChem、GEO、CELLxGENE、Tahoe） 下载零费用 成本在算力与存储，如 Tahoe-100M 为 429GB
PDBbind+、DrugBank 商业授权 ⚠️ 价格未查到 订阅 / 商业授权

⚠️ UK Biobank 官方 fee 页抓取返回 HTTP 403，上述为检索摘要转述，建模前须回官网核对 [13]。

真值与合成的单位成本比，本层未系统查到，不做估算；统一比较见 价格、成本与配比。

局限与争议

1. "公共库免费，所以不是壁垒"：证据与反证

支持：

  • AF2、AF3、ESM、Evo 2、scGPT 的训练数据均来自公共库；Evo 2 连数据集都以 Apache 2.0 开放 [3]。
  • 开源复刻已出现：OpenFold / OpenFold3 的 OpenFold3 为 Apache 2.0（预览版，2025-10-28），与 AF3 权重的限制形成对照 [41]。
  • 单细胞大库开放：Tahoe-100M 为 CC0，Arc 把 scBaseCount 与之合并成 300M+ 细胞图谱 [10][11]。

反证（壁垒在别处）：

  • 准入与合规：UK Biobank 需审批并在平台内分析，传出收费 [13]；中国人类遗传资源信息对外提供前须安全审查 [15]。
  • 许可：见下文第 5 点。
  • 配对：公共库里"带临床结局 / 带扰动标签 / 带阴性结果"的数据稀缺。药企内部阴性数据锁在企业内部属二手判断，本层未查到一手证据。
  • 结论：免费公共库提供预训练底座，不提供私有真值；差异化来自湿实验与验证闭环，见 湿实验真值数据生产、验证闭环与自驱实验室回流。

2. PDB 偏差：易结晶蛋白、复合物稀缺

  • 方法偏向 X 射线：累计 79.7% 为 X 射线（API 实测）；AF2 评述称 PDB 约 85% 为晶体结构，导致无序区与跨膜区偏弱 [43]。
  • 物种与蛋白类型偏向：结构生物信息学综述称跨膜蛋白约占序列 20–30%，但在 PDB 中不足 2%（老文献估计 <1%），整体偏向易表达、易结晶、折叠良好的蛋白 [43]。
  • 复合物稀缺：PDB 主体为单体或同源多聚体，高质量蛋白-配体复合物只是子集；PDBbind / PDBbind+ 通用集约 1.9 万复合物（二手，需回官方核）[26]。
  • 时间切分不足以防泄漏：新实验常复用已有蛋白或配体 [44]。

3. 数据截止与泄漏

  • PDBbind / PDBbind+ core set 与训练集大量共享蛋白 / 配体，导致基准高估；CleanSplit 重训后顶级模型表现显著下降，部分模型去掉蛋白或配体信息后仍能在 CASF 上取得相近成绩，提示在记忆而非学习相互作用 [44]。详见 数据泄漏（训练-测试泄漏）。
  • AF3 做了时间与相似度过滤，但自述有静态结构、无序区幻觉、遗漏构象等局限 [24]。
  • 版本决定可复现性：UniProt、AFDB、PubChem 随版本变化，训练快照（AF2 的 UniRef90 2020_01、AF3 的 PDB 2023-01 下载）必须固定；AFDB 2025 版开放 MSA 与 MSA depth 是正向变化 [30]。
  • 数据量级易混：AlphaSync（St. Jude 镜像）报告 70,617 个结构 / 41,281 个 reviewed 蛋白，与 AFDB 的 2 亿口径不是同一对象。

4. 预测型库不是真值 AFDB 与 ESM Atlas 是模型推断，继承训练模型的偏差；以其为蒸馏数据训练下游模型会放大这一偏差。见 AlphaFold DB 与结构蒸馏。

5. license 与再分发

  • AF3 权重仅学术非商业、需申请，不得用输出训练同类模型（第三方转载的 terms，非官方页）[41]。
  • DrugBank 多数为 CC BY-NC 4.0（Vocabulary / Structures 为 CC0）[31]。
  • PDBbind / PDBbind++ 为订阅制；BioLiP 2025-01 称因许可问题移除 24,809 条 PDBbind-CN 亲和力数据 [27][40]。
  • ChEMBL 若为 CC BY-SA，衍生数据库需同协议，把 ChEMBL 并入专有训练集前须评估（该条款未核）。
  • 文献语料：PMC 并非全部可商用，开放获取仅约 831 万篇（实测），其余版权受限；模型训练合规性争议未核。
库 License 商业使用
Protein Data Bank (wwPDB) CC0 1.0 [28] 可，无需署名
ChEMBL CC BY-SA 3.0（待复核） 可，衍生需 share-alike
PubChem 美国政府作品为主，各源不一 多数可，需核源
UniProt CC BY 4.0（待复核） 可，需署名
AlphaFold Protein Structure Database 官方页未写条款 [7] 待核
Tahoe-100M cc0-1.0 [10] 可
DepMap 多数 CC BY 4.0，个别文件另有 Broad 条款 [20] 可，需核文件
DrugBank 多数 CC BY-NC 4.0 [31] 多数不可
PDBbind / PDBbind++ 订阅制 [27] 需订阅 / 授权
OpenGenome2 / Evo 2 Apache 2.0 [2][3] 可
AlphaFold 3 权重 学术非商业 [41] 不可
OpenFold3 Apache 2.0（预览版）[41] 可
UK Biobank 付费准入，数据留在平台内 可申请，限定用途

6. 中国数据出境

  • 《人类遗传资源管理条例》（国令 717 号）与 2023 年 5 月科技部实施细则：遗传资源分材料与信息；信息指基因、基因组、转录组等数据，一般不含临床、影像、蛋白与代谢数据；材料出境须审批；信息对外提供前，对可能影响公众健康、国家安全者须专家安全审查 [15]。监管框架见 人类遗传资源管理条例及实施细则。
  • 审批主体在不同文件中描述不一致（科技部 vs 国家卫健委），以现行官方文件为准 [15]。
  • GSA 分层：GSA 开放，GSA-Human 受控 [25]。
  • 《数据安全法》《个人信息保护法》对重要数据 / 个人信息出境的适用未核到权威解读，未写。
  • 海外受控数据（如 NIH 受控访问）的反向限制见 NIH 受控数据访问限制与 AI 训练限制。

口径冲突与未核实

说法 A 说法 B 采信 原因
CELLxGENE "1.7 亿细胞" Census 2025-11-08 LTS 实测总计约 2.178 亿、去重约 1.255 亿 B API 实测；A 可能为更早版本或另一口径
Virtual Cell Atlas "6 亿+ 细胞" Arc 官方发布稿 300M+（Tahoe-100M + scBaseCount >2.3 亿，2025-02） B 6 亿+ 仅见第三方博客称 scBaseCount 新版 >5.02 亿（二手），未在官方页确认，且发布日期不同；使用时须注明版本与日期 [12]
Tahoe-100M "1,100 种小分子" / "1,200 药" HF 数据页 drug_metadata 表 379 行 仅引"约 1 亿转录组、50 癌系" 页内各说法互相对不上，药物数待查原论文
Evo 2 数据 "9.3 万亿" OpenGenome2 = 8.84 万亿核苷酸 8.84 万亿为数据集规模 9.3 万亿是 40B 模型训练 token 数，两者不要混用
AF2 "主要靠 PDB" 自蒸馏 355,993 条序列，约 75% 样本来自蒸馏、约 25% 来自 PDB（二手转述） B（标二手） 配方口径以多源核对结果为准
PDB 中 cryo-EM 占比（混用） 累计 14.3%；2025 年当年发布 40.9%；存放口径 45.3% 按口径分别引用 累计与当年占比不可混
PDB 约 85% 为晶体结构 [43] API 实测累计 X 射线 79.7% 79.7% 实测为一手；85% 为评述转述，可能含其他口径
2025 年 PDB 新增 17,601 wwPDB 通报 17,589 17,601 差 12 条系口径 / 时点不同
X-Atlas 25.6M 细胞、JUMP 140,000+ 扰动、GTEx / cBioPortal 个体级走 dbGaP 未单独核 暂不采用 ⚠️ 待复核（X-Atlas 与 JUMP 口径见 湿实验真值数据生产）
"国家微生物 / 人口健康 / 蛋白质科学数据中心"为 2019 年国家科学数据中心 仅确认 NGDC 属 2019 年 20 个国家科学数据中心之一 只写 NGDC 其余三家归属与规模未确认，需查科技部名单；"国家蛋白质科学中心"（设施型）与"国家蛋白质科学数据中心"可能是两个实体
数据安全法 / 个保法对出境的适用 未核 不写 适用范围未核到权威解读 ⚠️

来源

访问日期均为 2026-10-15。

  1. AlphaFold 2 方法与数据：https://pmc.ncbi.nlm.nih.gov/articles/PMC8371605/
  2. Evo 2 预印本（bioRxiv 2025.02.18.638918）：https://www.biorxiv.org/content/10.1101/2025.02.18.638918v1.full
  3. OpenGenome2 数据卡：https://huggingface.co/datasets/arcinstitute/opengenome2 ；Evo 2 仓库：https://github.com/ArcInstitute/evo2
  4. RCSB PDB 当前条目与检索 API（实测）：https://data.rcsb.org/rest/v1/holdings/current/entry_ids ；https://search.rcsb.org/rcsbsearch/v2/query
  5. wwPDB / EMDB 2025 年统计：https://www.ebi.ac.uk/emdb/news/202601-10000_entries ；https://emdataresource.org/news/wwpdb_emdb_2025.html ；https://cdn.rcsb.org/rcsb-pdb/general_information/news_publications/newsletters/2026q1/deposit.html
  6. UniProt REST 实测（2026_03，发布日 2026-09-02）：https://rest.uniprot.org/uniprotkb/search?query=reviewed:true&size=1
  7. AlphaFold DB 关于页：https://alphafold.ebi.ac.uk/about
  8. ESM Atlas：https://www.biorxiv.org/content/10.1101/2022.07.20.500902v2.full ；https://www.livescience.com/meta-predicts-600-million-protein-shapes
  9. CELLxGENE Census 数据发布信息：https://chanzuckerberg.github.io/cellxgene-census/cellxgene_census_docsite_data_release_info.html
  10. Tahoe-100M HF 数据卡：https://huggingface.co/datasets/tahoebio/Tahoe-100M
  11. Arc Virtual Cell Atlas 发布：https://arcinstitute.org/news/arc-virtual-cell-atlas-launch
  12. Lamin 博客（二手，5.02 亿口径）：https://blog.lamin.ai/arc-virtual-cell-atlas.md
  13. UK Biobank 访问费（检索摘要，官方页抓取 403）：https://www.ukbiobank.ac.uk/use-our-data/fees/
  14. GSA 100PB 新闻：https://ngdc.cncb.ac.cn/news/255
  15. 人类遗传资源管理条例解读：https://www.fieldfisher.com/zh-cn/insights/人类遗传资源出境-对外提供的合规管理 ；https://www.zhonglun.com/research/articles/8230.html
  16. ChEMBL 下载页与 API 状态（实测）：https://chembl.gitbook.io/chembl-interface-documentation/downloads ；https://www.ebi.ac.uk/chembl/api/data/status.json
  17. BindingDB in 2024：https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11701568/
  18. PubChem 2025 update：https://doi.org/10.1093/nar/gkae1059
  19. scPerturb：https://pubmed.ncbi.nlm.nih.gov/38279009/
  20. DepMap / CCLE 条款：https://forum.depmap.org/t/ccle-terms-and-conditions/1372 ；https://bioconductor.org/packages/release/data/experiment/html/depmap.html
  21. NCBI E-utilities 实测（gds、pubmed、pmc、sra、pccompound、pcsubstance、pcassay）：https://eutils.ncbi.nlm.nih.gov/entrez/eutils/esearch.fcgi
  22. bioRxiv API（2025 年）：https://api.biorxiv.org/details/biorxiv/2025-01-01/2025-12-31/0
  23. SureChEMBL 下载与更新：https://chembl.gitbook.io/surechembl/downloads ；https://macinchem.org/2025/05/04/surechembl-update/ ；https://www.embl.org/news/science/ai-annotations-increase-patent-data-in-surechembl/
  24. AlphaFold 3 方法与数据：https://pmc.ncbi.nlm.nih.gov/articles/PMC11168924/
  25. NGDC 新闻 10PB：https://ngdc.cncb.ac.cn/news/113 ；https://ngdc.cncb.ac.cn/education/tutorials/
  26. PDBbind 泄漏与规模（二手）：https://arxiv.org/abs/2308.09639v2 ；https://zenodo.org/records/13772124
  27. PDBbind+ 供应商页（二手）：https://www.targetmol.com/services/pdb ；官方 https://www.pdbbind-plus.org.cn/
  28. wwPDB 使用政策（CC0）：https://www.wwpdb.org/about/usage-policies
  29. EMDB 统计：https://west.emdataresource.org/news/wwpdb_emdb_2025.html
  30. AFDB 2025 NAR：https://academic.oup.com/nar/article/54/D1/D358/8340156
  31. DrugBank 发布页：https://go.drugbank.com/releases/latest
  32. Enamine REAL Space Navigator：https://enamine.net/compound-collections/real-compounds/real-space-navigator
  33. ZINC-22：https://pmc.ncbi.nlm.nih.gov/articles/PMC9976280
  34. GenBank 统计：https://www.ncbi.nlm.nih.gov/genbank/statistics/
  35. MGnify：https://pmc.ncbi.nlm.nih.gov/articles/PMC9825492 ；https://www.ebi.ac.uk/about/news/updates-from-data-resources/mgnify-v6-released/
  36. Human Cell Atlas（二手）：https://pcrm.org/news/innovative-science/human-cell-atlas-consortium-shares-latest-collection-foundational-studies ；https://data.humancellatlas.org/about
  37. TCGA：https://www.cancer.gov/ccg/research/genome-sequencing/tcga
  38. GDC API 状态与项目（实测）：https://api.gdc.cancer.gov/status
  39. UK Biobank PPP / Olink：https://www.businesswire.com/news/home/20250109316914/en/Thermo-Fisher-Scientific%E2%80%99s-Olink-Platform-Selected-for-World%E2%80%99s-Largest-Human-Proteome-Study
  40. BioLiP2 下载页（PDBbind-CN 数据移除说明）：https://seq2fun.dcmb.med.umich.edu/BioLiP2/download.html
  41. AF3 权重条款（镜像）与 OpenFold3：https://code.rc.uab.edu/rc-data-science/community-containers/Alphafold3/-/blob/6166cdc03cb35acb23815aab7aeb749c213c6d8a/WEIGHTS_TERMS_OF_USE.md ；https://www.rdworldonline.com/openfold3-debuts-as-apache-licensed-protein-co-folding-model-with-apheris-bringing-it-into-pharma-it/
  42. scGPT：https://www.biorxiv.org/content/10.1101/2023.04.30.538439.full.pdf ；https://www.uhnresearch.ca/node/45272
  43. PDB 偏差：https://arxiv.org/pdf/2307.02171 ；https://arxiv.org/pdf/2403.12668
  44. PDBbind 泄漏 / CleanSplit：https://www.ncbi.nlm.nih.gov/pmc/articles/PMC12552120/ ；https://arxiv.org/html/2308.09639v3

本章涉及的实体

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
BindingDB数据集 · 美国
以专利策展驱动增长的结合亲和力数据库，290 万测量值
CZ CELLxGENE Discover / Census数据集 · 美国
CZI 策展的单细胞库，约 2.18 亿细胞（去重约 1.25 亿）
Cambridge Structural Database (CSD)数据集 · 英国
CCDC 维护的小分子与金属有机晶体结构库，超 140 万条
ChEMBL数据集 · 英国
文献策展的生物活性数据库，小分子活性预测的默认训练集
ClinVar数据集 · 美国
NCBI 的遗传变异-临床意义提交库，变异效应预测的标准评测标签
DepMap数据集 · 美国
Broad 的癌细胞系依赖性图谱，虚拟细胞模型常用评测真值
DrugBank数据集
药物-靶点数据库，学术下载暂停，多数内容限非商用
ENCODE数据集 · 美国
美国基因组调控元件百科全书，开放功能基因组学实验库
ESM Metagenomic Atlas数据集 · 美国
Meta AI 对宏基因组蛋白的 6.17 亿条结构预测库
Electron Microscopy Data Bank数据集 · 英国
EMBL-EBI 维护的冷冻电镜密度图档案，2025 年单年发布首破 1 万条
Ensembl数据集 · 欧洲
EMBL-EBI 的基因组注释与比较基因组学平台
GEO 与 SRA数据集 · 美国
NCBI 的功能基因组与原始测序档案，单细胞公共数据的上游
GTEx 与 TCGA数据集 · 美国
组织转录组与肿瘤基因组两大人群级参考数据，个体级数据受控
GWAS Catalog数据集 · 欧洲
NHGRI-EBI 维护的全基因组关联研究结果目录
Human Cell Atlas数据集 · 全球
国际单细胞图谱联盟及其数据门户，规模为二手口径
Human Protein Atlas (HPA)数据集 · 欧洲
瑞典主导的人类蛋白组织表达与亚细胞定位图谱
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
InterPro数据集 · 欧洲
整合多家成员库的蛋白家族、结构域与功能位点分类
KEGG数据集 · 日本
京都大学系通路与基因组知识库，批量下载需订阅
MGnify数据集 · 英国
EBI 的宏基因组分析与蛋白库，是 AF/ESM/OpenFold3 的共同底座
Open Targets Platform数据集 · 英国
整合遗传学、药物、通路与文献证据的靶点-疾病关联平台
OpenAlex数据集 · 美国
取代 Microsoft Academic Graph 的开放学术元数据图谱
OpenGenome2数据集 · 美国
Evo 2 训练集，8.84 万亿核苷酸，Apache 2.0
PDBbind / PDBbind+数据集 · 中国
蛋白-配体复合物亲和力基准，因泄漏争议与订阅许可受限
Protein Data Bank (wwPDB)数据集 · 全球
全球实验测定生物大分子三维结构的统一档案，AI 结构预测的核心真值
PubChem数据集 · 美国
NCBI 聚合 1000 多个来源的化合物、物质与生测库
PubMed / PMC数据集 · 美国
NLM 的生物医学文献索引与全文库，约 4,100 万条
Reactome数据集 · 全球
人工审编的开放通路知识库，以人类通路为核心
STRING数据集 · 欧洲
蛋白互作与功能关联网络库，覆盖逾 1.2 万个物种
SureChEMBL数据集 · 英国
EBI 的专利化学库，2025 年改批量发布并加 AI 注释
Tox21 / ToxCast数据集 · 美国
美国多机构高通量体外毒理库，Tox21 约 1 万种化学品
UK Biobank数据集 · 英国
50 万人队列，付费准入且数据只能在其云平台内分析
UniProt数据集 · 全球
蛋白序列与功能注释的核心库，人工审阅仅占约 0.4%
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
ZINC-22数据集 · 美国
UCSF 的可购买分子库，可搜索规模超 370 亿
bioRxiv数据集 · 美国
生命科学预印本服务器，AI4S 新方法首发地
gnomAD数据集 · 全球
Broad 牵头的群体外显子与基因组变异频率库，v4 约 80 万人
国家基因组科学数据中心 NGDC / CNCB数据集 · 中国
中国国家级组学数据中心，GSA 用户数据已超 100PB

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。