多功能治疗肽综合数据集：58,583条实验验证肽的序列-结构-功能关系解析

本研究为解决治疗肽研究中多功能性和结构信息不足的问题，研究人员整合了58,583条实验验证肽构建了当前最全面的治疗肽数据集（含21,130条多功能肽和54,722条结构注释），通过AlphaFold2等工具预测空间结构，为肽药物发现和"序列-结构-功能"关系研究提供关键资源。

　　

在生物医药领域，治疗肽因其高特异性、低免疫原性等优势成为药物研发新宠。然而现有肽数据库存在两大痛点：多功能肽收录不足（最大仅9,986条）和结构信息匮乏（最优数据库仅含16,131条结构数据）。更关键的是，传统结构预测工具精度有限，而AlphaFold2等革命性技术带来的结构预测突破尚未充分应用于肽研究领域。

北京航空航天大学医工交叉创新研究院的研究团队在《Scientific Data》发表的研究，通过整合UniProt和32个专业数据库资源，构建了包含58,583条实验验证治疗肽的超大规模数据集。该数据集创新性地采用三级技术路线：从PDB获取179条实验结构，用AlphaFold2预测24,746条长肽结构，ESMFold预测29,162条短肽结构，最终实现93%的结构覆盖率。尤为重要的是，团队建立了包含47个功能类别（含15个主类32个子类）的分类体系，其中21,130条多功能肽的收录量是既往最优数据库的2.1倍。

【数据特征】
通过系统分析显示，数据集涵盖2-50个氨基酸的全长度范围，包含4,500+物种来源，其中抗菌（含抗革兰氏+/抗革兰氏-等子类）、抗癌（含抗乳腺癌/抗肺癌等8种癌症类型）和代谢调节（血糖/脂质代谢）肽占比最高。结构数据中，54,722条肽的pLDDT评分>90，证实预测可靠性。

【技术验证】
研究采用多维度质控：序列层面通过HELM标准化处理修饰肽；功能标注采用"高频优先+高影响因子优先"的冲突解决机制；结构层面交叉验证AlphaFold2与ESMFold的预测一致性。分析表明，75%的肽具有明确物种来源信息，42/47功能类别包含≥50条独特序列。

该研究的核心突破在于首次实现了治疗肽"序列-结构-功能"三位一体数据整合。数据集不仅提供常规的氨基酸序列和功能注释，更包含二级结构（DSSP计算）和三级结构（PDB格式）文件，支持直接用于机器学习建模。对于药物研发的实践意义体现在三方面：1）为抗菌肽(AMP)和抗癌肽的AI预测提供训练集；2）通过多功能标签促进肽药物重定位(repurposing)；3）L型/D型氨基酸的明确标注（大写/小写区分）助力合成肽设计。

研究团队特别指出，该资源已应用于三个典型场景：抗菌肽跨物种活性预测、抗癌肽的血管生成抑制机制解析、以及GLP-1类似物的结构优化。所有数据通过FigShare开源（DOI:10.6084/m9.figshare.28691885），包含可交互分析的HELM分子描述符和特征编码脚本，支持Python/R语言直接调用。这项工作为理解治疗肽的" moonlighting"（多功能）特性提供了分子基础，将加速从肽发现到临床应用的转化研究。