模型与 Benchmark板块首页
怎么读
怎么给 benchmark 分类一个分数能信到哪一步:真值噪声、简单基线、泄漏与饱和协议索引:113 条协议按谁判对错分组方法与数据:分类口径、收录与停更标准、已知局限
模型与数据
模型索引:112 个模型按领域分组模型 × benchmark 配对矩阵训练数据从哪来:公开库、私有授权、自产 wet lab 与…benchmark 的规模、更新与 wet lab 数据
Benchmark:理解状态(表征与排序)
02 ProteinGym09 scIB11 ClinVar hold-out protocol13 CAGI16 GUE + Nucleotide Transform…17 CAFA21 DREAM5 / BEELINE / CausalB…26 FLIP / FLIP234 AbBiBench37 TraitGym38 BEND39 RNAGym45 DART-Eval49 NTv3 Benchmark67 VenusX
Benchmark:预测给定对象的结果
01 CASP03 MoleculeNet04 TDC05 PoseBusters06 CASF-201615 CAMEO22 CAPRI24 虚拟细胞挑战赛与扰动预测评测25 RNA-Puzzles27 Polaris / ASAP / OpenADMET30 PLINDER / PINDER / Runs N'…31 FoldBench33 PoseX35 FLAb / FLAb243 Ginkgo GDPa146 FEP 相对结合自由能基准47 PoseBench / DockGen51 OpenADMET 盲测系列52 Biogen ADME53 UNICORNE-BENCH54 OMol25 + FAIR Chemistry 榜单55 PDBbind-CleanSplit / LP-PD…57 CatPred-DB66 MassSpecGym
Benchmark:提出候选(生成与设计)
19 PMO20 CACHE28 Adaptyv competitions / Ben…36 AIntibody40 MotifBench50 蛋白 motif scaffolding 基准56 Protein Engineering Tourna…
Benchmark:多步分析与问答(agent)
14 PubMedQA18 LAB-Bench / LABBench223 BioASQ29 BixBench42 BioMysteryBench58 ChemBench59 LifeSciBench60 Terminal-Bench-Science61 BiomniBench / Biomni-Eval162 HeurekaBench63 scBench64 ScienceAgentBench65 SciReasoner / Biology-Inst…68 BioDesignBench
Benchmark:已停更
07 USPTO family08 Basenji/Enformer test set10 GuacaMol12 DUD-E / LIT-PCBA32 CrossDocked202041 BioML-bench44 FS-Mol
相邻领域
相邻领域:不在主分类内的评测
模型:结构/共折叠
AF2-Multimer:Google DeepMindAlphaFold 3BioEmu-2Boltz-1 / Boltz-1xBoltz-2:MIT、Recursion、Boltz P…Chai-1:Chai DiscoveryChai-2:Chai DiscoveryDiffDock:MIT CSAILESMFold2HelixFold-S1:BaiduIntelliFold-2:IntelliGen AIIsoDDE:Isomorphic LabsMassiveFoldNeuralPLexer3OpenComplex2OpenDDE:Aureka AI Research、Au…OpenFold3Pearl:Genesis Molecular AIProtenixRF3:University of Washington …RhoFold+ / DRfold2 / trRosett…RNAPro:NVIDIA、Stanford Univer…SeedFold:ByteDance SeedVina:Scripps Research
模型:小分子
ADMET-AIAQAffinity:SandboxAQBeacon:Inductive BioChemformer:AstraZenecaChemprop v2:MITEnchant v1 / v2ether0:FutureHouseKERMT:Merck & Co.、NVIDIAMiniMol:Valence LabsMolE:RecursionMoLFormer-XL:IBM ResearchNesso-1:Valence Labs、Recursio…ReaSyn v2:NVIDIA、KAISTREINVENT 4RetroDFM-RSaturn:EPFLTamGen:Microsoft Research AI …TerraBind:Terray TherapeuticsTxGemma:Google DeepMind、Googl…Uni-Mol2Uni-Mol3
模型:蛋白
AlphaProteoAMPLIFY:Mila、Polytechnique Mo…BindCraftBoltzGenChai-3:Chai DiscoveryClaude 蛋白设计研究DPLM-2:ByteDance Research、Nan…Dyno Psi-1 / Psi-PhiESM C:Evolutionary Scale、Chan…ESM3:Evolutionary Scale、Chan …EVOLVEproLa-Proteina:NVIDIALatent-X / X2:Latent LabsLucaOne:Alibaba Cloud、Sun Yat…Mosaic:Escalante BioPinal:Westlake UniversityPoET-2:OpenProtein.AIProfluent-E1:ProfluentProGen3:ProfluentProSST:Shanghai Jiao Tong Uni…Proteina-Complexa:NVIDIARFdiffusion2 / 3SaProt:Westlake University、We…SeedProteo:ByteDance SeedVenusREMxTrimoPGLM
模型:抗体
GerminalHCAbLM:Nona Biosciences、HBM H…IgGM / IgGM-FMJAM / JAM-2:Nabla BioOrigin-1:AbsciRFantibodytFold:Tencent AI for Life Sci…
模型:基因组/RNA
AlphaGenome:Google DeepMindAlphaMissense:Google DeepMindBioReasonBorzoi:Calico Life SciencesBulkFormerEvo 2:Arc Institute、NVIDIA、St…NTv3:InstaDeeppopEVE:Harvard Medical School…RIBOSPAN
模型:单细胞
AIDO Cell:GenBio AIC2S-ScaleCellFM:Sun Yat-sen University…Lingshu-CellscGPT / GeneformerscPRINT-2Stack:Arc InstituteSTATE:Arc InstituteTahoe-x1:Tahoe TherapeuticsTranscriptFormerX-Cell:Xaira TherapeuticsxTrimoSCPerturb / scFoundation
模型:分子生成
GenMol:NVIDIA
模型:文本与 agent
Biomni:Stanford University、Ph…Co-ScientistGPT-Rosalind:OpenAIIntern-SKosmos / Edison AnalysisMedGemma / Med-GeminiQuine:Microsoft ResearchRobin:FutureHouseSciReasonerTxAgent:Harvard Medical SchoolVERID:Google Research前沿通用大模型:Anthropic、OpenAI、Goog…

57 CatPred-DB

整理 2026-11-18 · 来源与可靠度标注见正文
本文目录
  1. 概况
  2. 协议拆分与读法
  3. 测什么、怎么测
  4. 当前排名
  5. 报告过的模型
  6. 局限与注意
  7. 新模型怎么用
  8. 来源
  9. 更正记录

酶动力学常数预测数据集:kcat、Km、Ki 三套,带同一性分档。标签来自多源文献汇编,pH、温度与底物条件未统一。

bench-57 · 模型在做什么:预测给定对象的结果 · 谁判对错:已有参考答案 · 蛋白 · 2026-11 新收录 · 截至 2026-11-18

概况

字段 内容
名称 / 别名 CatPred-DB;有歧义、不自动链接:CatPred
家族 否(kcat、Km、Ki 三套是同一数据集的参数子集,不是家族成员。)
模型在做什么 预测给定对象的结果
谁判对错 已有参考答案(1 条协议,逐条见下)
领域 蛋白
发布方 The Pennsylvania State University、Center for Bioenergy Innovation(学术实验室)
首次发布 (依据:官方仓库首个标签版本 1.0.0)
其他里程碑 期刊上线 (Nature Communications 在线发表);代码发布 (官方仓库标签版本 1.0.0)
最近更新 ,仅维护:官方仓库合并了一次依赖安全更新;数据集版本与划分未变,仍是发布时的三套参数集。此为最近一次有出处的事件,不代表此后没有更新
下一次预期 无公告(维护方未公告新版本数据集或新一轮评测。)
规模 kcat 23,197 条、Km 41,174 条、Ki 11,929 条;OOD 分四档同一性。 明细:kcat 条目数(release) 23,197;Km 条目数(release) 41,174;Ki 条目数(release) 11,929;主划分(release) 80-10-10;OOD 同一性档(99/80/60/40%)(release) 4
状态 ○ 冻结:数据集自发布未更新,仓库仅做维护
wet lab 更新 静态:不做新实验;数据取自 BRENDA、SABIO-RK 等文献汇编。
需自补 wet lab 断言真实泛化时需要
报告模型数 0 个计入
当前排名 ○ 自报(见当前排名)
全站实体页 无(全站 /entities/ 体系中没有该 benchmark 的页面。)
截至 2026-11-18

协议拆分与读法

同一个 benchmark 名下常有多场规则不同的考试。下表把它拆成 1 条协议,逐条写明谁判对错、在用的模型和这个分数能回答什么。分类口径见怎么给 benchmark 分类。

协议 谁判对错 隔离 在用模型(已核实) 五维要点 能回答 不能回答
57a CatPred-DB 已有参考答案 — CatPred(自)、UniKP(三)、EnzyCLIP(自) 标签来自混源文献汇编,预测质量主要被实验不确定度限制;主表用随机划分,同源性降到 40% 这一档成绩大幅下滑。 对一个在文献里已有同源酶被测过的酶-底物对,谁更可能把动力学常数估到一个数量级内。 对与已测酶同源性低于 40% 的新酶还剩多少预测力——那一档相关性掉到 0.4 以下。

在用模型括号内:榜 = 主办方榜单,自 = 开发方自报,三 = 第三方评测;只列已核实的配对。五维 = 真值可靠性、基线状况、指标效度、饱和度、泄漏风险;"未评估"表示该协议尚未完成五维评审。

测什么、怎么测

  • 任务:给定酶序列与底物,预测 kcat、Km 或 Ki,在 log10 尺度上回归。
  • 真值:文献汇编的动力学常数;重复条目 kcat 取最大值,Km 与 Ki 取几何均值。
  • 主指标:kcat held-out 的 R²(log10 尺度)
  • 次指标:MAE(log10 尺度);落在 ±1 个数量级内的比例
  • 版本陷阱:必须写明是随机 held-out 还是哪一档同一性 OOD:同一模型两者相差约 0.2 个 R²。

当前排名

状态:○ 自报

  • 指标:kcat held-out 的 R²(log10 尺度)
  • 评测集 / 口径:CatPred-DB kcat held-out (random 80-10-10 split)
  • 快照日期:†(未核实)

当前第一:CatPred,0.602(kcat held-out 的 R²(log10 尺度);CatPred-DB kcat held-out (random 80-10-10 split);自报;;旧)。未经独立复现

说明:无官方榜单;分数或为自报或为他人复跑,held-out 是随机划分,40% 同一性档降到 0.365。

模型 名次 数值 指标 评测集 / 口径 来源类型 日期 出处 说明
CatPred(非本站模型) 1 0.602 kcat held-out 的 R²(log10 尺度) CatPred-DB kcat held-out (random 80-10-10 split) 自报 出处 数据集作者自报,十次重复均值;同一模型 OOD 档降到 0.404
EnzyCLIP(非本站模型) 2 0.594 kcat held-out 的 R²(log10 尺度) CatPred-DB kcat held-out (random 80-10-10 split) 自报 †(未核实) 出处 作者自报;正文写 0.593、图中 0.594,自相矛盾,且不报 Ki 与 OOD
UniKP(非本站模型) 3 0.591 kcat held-out 的 R²(log10 尺度) CatPred-DB kcat held-out (random 80-10-10 split) 第三方 †(未核实) 出处 由他人在本数据集上复跑得到,非该模型作者自报
DLKcat(非本站模型) 4 0.224 kcat held-out 的 R²(log10 尺度) CatPred-DB kcat held-out (random 80-10-10 split) 第三方 †(未核实) 出处 同表对照项;在 kcat 上被官方简单基线压过
官方简单基线(最相似 3 条训练酶取均值)(非本站模型) 5 0.315 kcat held-out 的 R²(log10 尺度) CatPred-DB kcat held-out (random 80-10-10 split) 自报 出处 非模型,是数据集作者给的最近邻基线;OOD 低同一性档 R² 转负

排名数据读取于 2026-11-18。分数原样照录,不换算、不跨 benchmark 比较。

报告过的模型

按关系类型分组;计数口径见配对矩阵。0 个计入。

暂无模型与本 benchmark 构成配对。

局限与注意

  1. 标签来自多源文献汇编,pH、温度与底物条件未统一。
  2. 主表的 held-out 是随机划分,同源冗余使分数虚高。
  3. 换到 40% 同一性档,kcat 的 R² 从 0.60 降到 0.365,简单基线甚至转负。
  4. 作者自承误差主要来自数据本身的实验不确定性,重复条目的离散度未报。
  5. 各家报分口径不一:有的只报 held-out 的 kcat 与 Km,不报 Ki 与 OOD。

新模型怎么用

从官方仓库或 Zenodo 取数据,按自带的 80-10-10 划分训练,并报 99/80/60/40% 四档同一性 OOD 成绩,与「最相似 3 条训练酶取均值」的基线对照。只报随机 held-out 不支持泛化结论。序列不重叠切分参见 FLIP。

搭配:ProteinGym · FLIP / FLIP2 · FS-Mol

来源

  1. 原论文(数据集与基线出处)(期刊)
  2. 官方仓库(仓库)
  3. 官方数据集存档(存档)
  4. 在本数据集上报分的第三方论文(第三方论文)
  5. 论证序列不重叠切分必要性的第三方论文(第三方论文)

更正记录

以下为本轮核对中改过的字段,原值按记录照录。

字段 原 现 原因 出处 发现日期
models_reported KinForm listed as reporting scores on this dataset Removed: that paper reports on other kinetics datasets and never names this one 该论文用的是另外三套动力学数据集,全文不出现本数据集名称。 依据 2026-11-18

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。