高质量数据集典型案例 | VenusPod蛋白质序列数据集

　　推荐单位：教育部
　　申报单位：上海交通大学
　　一、背景
　　2024年诺贝尔化学奖授予AlphaFold，标志着生命科学正从“实验驱动”向“数据与计算驱动”的“科学智能（AI for Science）”范式演进。现有蛋白质和酶的数据库在深度、广度和功能标注维度上均存在不足，导致AI模型难以对海量蛋白质中的“暗物质”进行探索和优化。本案例构建了目前全球最大的蛋白质序列数据集VenusPod，包含150亿条蛋白质序列（其中7亿条序列来自我国的MEER计划，是“人无我有”核心数据壁垒）。以此数据集为基础，打造了世界领先的AI驱动的酶发现与设计引擎，解决“找不到、不好用”的工业用酶瓶颈问题，直接服务于生物医药、绿色制造等国家战略领域。
　　二、方案和成效
　　一是汇聚多维蛋白质信息，突破训练数据多样性瓶颈。VenusPod整合多个数据库，涵盖150亿条蛋白质序列，其中65亿条具备功能标签。这其中包括7亿条深海序列，源自我国MEER计划，是我国独有的珍贵资源。
　　二是突破蛋白质设计中小样本学习的难题。基于预训练与小样本微调范式，Venus系列模型可从海量序列中筛选具有特定功能的蛋白质，并预测高性能突变体，将传统方法2～5年的研发周期缩短到2～6个月，显著降低实验时间与成本。
　　三是建立AI预测与实验验证高效协同的闭环体系。Venus模型结合自动化实验平台，构建“干实验预测—湿实验验证—数据回流”的迭代流程，实现AI高通量预测与实验验证的协同，持续推动模型性能优化。该平台过去1年半成功改造30余款蛋白，其中10余款落地产业化，包括耐碱VHH蛋白、极度耐碱亲和填料（ProteinA）、极度耐热DNA聚合酶（Phi29）等。
　　三、创新点
　　一是汇聚多维蛋白质信息，突破训练数据多样性瓶颈。VenusPod整合多个数据库，涵盖150亿条蛋白质序列，其中65亿条具备功能标签。这其中包括7亿条深海蛋白序列，源自我国MEER计划，是独有的珍贵资源。
　　二是突破蛋白质设计中小样本学习的难题。基于预训练与小样本微调范式，Venus系列模型可从海量序列中筛选具有特定功能的蛋白质，并预测高性能突变体，显著缩短研发周期，降低实验成本。
　　三是建立AI预测与实验验证高效协同的闭环体系。Venus模型结合自动化实验平台，构建“干实验预测—湿实验验证—数据回流”的迭代流程，实现AI高通量预测与实验验证的协同，持续推动模型性能优化。