Reaction SMILES CRD 1.44M dataset
收藏Figshare2025-12-31 更新2026-04-08 收录
下载链接：
https://figshare.com/articles/dataset/Reaction_SMILES_CRD_1_44M_dataset/30978826/1
下载链接
链接失效反馈官方服务：
资源简介：
<pre>Collection of reaction SMILES (reactants, reagents, solvents, products) 1.44M lines total from patent literature (USPTO 1976 - 2025), some EPO data (1,2%) and data from academic literature (2.7% total). Data converted from existing USPTO dataset (1976 - 2016) 1] with data cleaning and USPTO data generated by custom design (2017 - current). Data extraction by OSCAR (semantic) or ChatGPT (LLM), molecule identification by OPSIN and custom synonym list. All SMILES are RDKit-safe with duplicate reactions removed. Please note that the data have been collected in an semi-automated process, the dataset is certainly not without errors.More information on https://kmt.vander-lingen.nl.<br><br>1] Chemical reactions from US patents (1976-Sep2016) https://doi.org/10.6084/m9.figshare.5104873</pre>
本数据集包含总计144万行反应SMILES（Reaction SMILES）数据，涵盖反应物、试剂、溶剂与产物信息，数据来源主要为1976年至2025年的美国专利商标局（United States Patent and Trademark Office，USPTO）专利文献，另包含占比1.2%的欧洲专利局（European Patent Office，EPO）数据，以及总占比2.7%的学术文献数据。数据集基于现有USPTO数据集（1976年—2016年）¹转换而来，并经过数据清洗处理；同时通过自定义设计生成了2017年至今的USPTO相关数据。数据提取通过OSCAR（语义提取工具）或ChatGPT（大语言模型，Large Language Model，LLM）完成，分子识别则依托OPSIN及自定义同义词表实现。所有SMILES均符合RDKit使用规范，且已移除重复反应。请注意，本数据集通过半自动化流程收集，难免存在疏漏与错误。更多详细信息请访问：https://kmt.vander-lingen.nl。
¹ 参考文献：《美国专利中的化学反应（1976年—2016年9月）》，https://doi.org/10.6084/m9.figshare.5104873
提供机构：
van der Lingen, Rik
创建时间：
2025-12-31
