3分钟上手scorpion-toxin-binder-design：datasets/pandas/hf download加载211个蛋白设计-平芜编程栈

【免费下载链接】scorpion-toxin-binder-design

项目地址：https://ai.gitcode.com/hf_mirrors/Anthropic/scorpion-toxin-binder-design

scorpion-toxin-binder-design是 Anthropic 开源的蛋白质设计数据集：Claude 从零设计（de novo design）出 211 个靶向 5 种蝎子毒素的蛋白结合剂（binder），其中 17 个经两家 CRO 实验室（Adaptyv Bio 与 Twist Bioscience）的 SPR 实验验证为有效 binder。3 分钟内，你可以用datasets、pandas或hf download把核心表design.csv的 211 行蛋白设计数据加载到自己的分析环境。

数据集里有什么？

这个仓库本质是一张"设计 × 实验结果"的总表，外加全部原始数据：

文件	内容	行数
design.csv	全部 211 个设计：序列、两个实验室的 hit/无 hit 结果与 KD、`binder_against`	211
in_silico_scores.csv	结构预测评分（ipSAE、scDockQ、pLDDT 等），与 design.csv 同序	211
Cn2_competition_Twist_Bioscience.csv	与抗体 LR、RU1、9004G 竞争结合 Cn2 的 BLI 实验	20
BVP_ELISA.csv	多反应性（polyreactivity）ELISA 筛查	51
controls.csv	两个实验室的对照抗体记录	115
sensorgrams/	每个设计一个文件夹：传感图、原始迹线、动力学拟合	按设计分目录
supporting_tables/	12 张辅助表：设计来源、表达量、后续实验、逐种子评分	—

每一行的核心字段是uuid（8 位设计编号，如02090d8c）；被确认为 binder 的设计另有名字，比如对 Cn2 的Cn2-B1（uuid888c8f04）。完整字段说明见 COLUMNS.md，它解释了每个文件的每一列。

方式一：用 datasets 加载（最推荐）

design.csv是默认子集，只需一行：

from datasets import load_dataset designs = load_dataset("Anthropic/scorpion-toxin-binder-design", split="full") len(designs) # 211

其他子集按文件名命名，传名字即可，例如设计来源表：

origin = load_dataset("Anthropic/scorpion-toxin-binder-design", "origin", split="full")

全部子集一览（见 README.md 的 dataset 配置）：design、in_silico_scores、Cn2_competition_Twist_Bioscience、BVP_ELISA、toxins、controls、sensorgrams_index、structures_index，以及supporting_tables/下的 12 张表（如origin、expression、reverse_BLI等）。

方式二：用 pandas 直读 hf:// 路径

不想装 datasets？pandas配合hf://URI 也能直接读远端 CSV：

import pandas as pd table = pd.read_csv( "hf://datasets/Anthropic/scorpion-toxin-binder-design/design.csv", dtype={"uuid": str}, # 关键：uuid 按文本读 )

⚠️新手最常踩的坑：uuid是 8 位十六进制标识符（如946282e8）。不加dtype={"uuid": str}，电子表格或 pandas 会把它变成9.46E+13这样的科学计数法浮点数。

快速看看哪些设计成了 binder：

table[["uuid", "name", "binder_against"]].dropna(subset=["name"])

方式三：hf download 只下 CSV

只想要数据表、不要几 GB 的原始迹线文件时，可以精确筛选下载：

# 只下所有 CSV 表，排除 sensorgrams 子文件夹 hf download Anthropic/scorpion-toxin-binder-design \ --repo-type dataset --include "*.csv" --exclude "sensorgrams/*/*" # 只下某一个设计的两个文件夹（888c8f04 即 Cn2-B1） hf download Anthropic/scorpion-toxin-binder-design \ --repo-type dataset --include "*/888c8f04/*"

读懂结果列：hit 和 binder 不是一回事

design.csv中每个毒素有两组列，如Cn2_Adaptyv_result/Cn2_Adaptyv_KD_nM和Cn2_Twist_result/Cn2_Twist_KD_nM：

hit/no hit：该实验室是否检测到结合；
KD 单位是nM，越小结合越紧；空单元格表示"未测或无拟合"，从不等于"没有 hit"（见 COLUMNS.md 开头的约定）；
binder_against填了哪个毒素，说明该设计按 README.md 定义的 4 条标准（两实验室均 hit、KD ≤ 1 µM、Rmax 合理、无 CLEC12A 背景信号）被认定为该毒素的 binder。

全库最终有 17 个 binder：Cn2 7 个、AaH II 4 个、AaH I 4 个、LqhIII 2 个。

下一步：深入原始数据

加载好design.csv后，按uuid去sensorgrams/<uuid>/找对应的_traces.csv（逐时间点迹线）、_kinetics.csv（动力学拟合）和传感图；预测结构在structures/<uuid>/（设计模型 + ESMFold2/Protenix 预测复合物 PDB）。想看 Claude 与 Cn2 的作用机制动画，仓库assets/目录里还有一段 60 秒 4K 短片 assets/Scorpion_Cn2_film_60s_4K.mp4。

引用时请使用：Claude Science, et al. "De novo design of protein binders against scorpion toxins with Claude."（数据按 LICENSE.md 以 CC BY 4.0 发布，可自由使用与再分发）。

小结：load_dataset一行加载 211 个设计 →pd.read_csv("hf://…", dtype={"uuid": str})快速取表 →hf download --include按需下载原始迹线。3 分钟，你就能开始分析这套完整的"AI 蛋白设计 + 湿实验验证"数据了 🎯