Pixelatory/GDB-13

该数据集包含975,820,226个样本，这些样本是从原始数据集Entire GDB-13中提取的，并且只包含独特的、经过RDKit规范化的SMILES分子，以CSV格式存储。数据集的大小类别为100M到1B之间。

原始信息汇总

数据集概述

标签

• 化学
• 生物学

数据规模

• 100M<n<1B

样本数量

• 975,820,226 个样本

数据格式

• CSV 格式

数据内容

• 仅包含唯一的、RDKit 标准化的 SMILES 分子

数据来源

• 原始数据集来源：GDB-13，可在 https://gdb.unibe.ch/downloads/ 下载

搜集汇总

数据集介绍

构建方式

在化学信息学领域，大规模分子数据库的构建对于药物发现与材料科学至关重要。Pixelatory/GDB-13数据集源自著名的GDB-13（Generated Database of 13 atoms）原始资源，该资源通过系统枚举所有可能由碳、氮、氧、硫等元素组成且符合化学稳定规则的有机小分子结构而生成。本数据集在此基础上，运用RDKit化学信息学工具对原始分子进行标准化处理，提取并保留了唯一的、经过规范化的SMILES字符串表示，最终以CSV格式整理存储，确保了数据的一致性与可计算性。

特点

该数据集的核心特征在于其规模与独特性，共包含超过9.75亿个样本，涵盖了由最多13个重原子构成的海量有机分子空间。每个分子均以规范的SMILES线性符号编码，这种表示形式便于机器学习模型直接解析与学习。数据经过严格的去重与标准化处理，消除了冗余与不一致性，为高通量虚拟筛选、分子生成与性质预测等任务提供了高质量、结构化的基础资源。

使用方法

在计算化学与人工智能交叉研究中，该数据集可作为训练或评估分子表示学习、生成模型以及定量构效关系分析的基准。研究人员可直接加载CSV文件，利用RDKit等化学信息学库将SMILES字符串转换为分子图或指纹特征，进而输入图神经网络或序列模型。它适用于无监督的分子表征预训练，也可作为监督学习任务中分子属性预测的数据源，为探索广阔的化学空间提供了高效的计算载体。

背景与挑战

背景概述

在计算化学与药物发现领域，分子数据库的构建对于高通量虚拟筛选与新型化合物设计至关重要。GDB-13数据集由瑞士伯尔尼大学的研究团队于2011年创建，其核心研究问题聚焦于系统枚举所有可能由碳、氢、氮、氧、硫和卤素原子组成的小分子结构，旨在探索化学空间的理论边界。该数据集通过提供数十亿个独特的有机分子结构，极大地推动了化学信息学、机器学习辅助分子生成及性质预测等领域的发展，成为后续研究如GDB-17等扩展工作的基石。

当前挑战

GDB-13数据集致力于解决化学空间中分子结构枚举与表征的根本挑战，其核心在于如何高效生成并管理理论上可能存在的数十亿个小分子，同时确保化学合理性与多样性。在构建过程中，研究人员面临计算复杂性高、存储需求庞大等难题，需开发专门算法以处理原子组合的组合爆炸问题，并采用规范化表示如SMILES字符串来压缩数据。此外，数据清洗与去重步骤要求精确的化学信息学工具支持，以消除冗余结构并保证数据质量，为后续应用奠定可靠基础。

常用场景

经典使用场景

在化学信息学领域，GDB-13数据集以其庞大的小分子结构库著称，为计算化学研究提供了丰富的素材。该数据集最经典的使用场景在于分子生成与虚拟筛选，研究人员利用其包含的独特、规范化的SMILES字符串，通过机器学习模型探索化学空间，设计具有特定性质的新化合物，从而加速药物发现和材料科学的进程。

解决学术问题

GDB-13数据集有效解决了化学研究中化学空间探索受限的学术难题。它通过系统枚举所有可能的有机小分子结构，为理论化学提供了全面的基准，帮助学者验证分子建模算法的准确性与效率。其意义在于推动了计算化学向高通量、自动化方向发展，为理解分子多样性奠定了数据基础，促进了跨学科研究融合。

衍生相关工作

基于GDB-13数据集，衍生出多项经典研究工作，尤其在生成模型和性质预测方面表现突出。例如，研究人员开发了深度生成模型如VAE和GAN，用于高效探索化学空间；同时，该数据集支持了分子图神经网络的发展，推动了自动化分子设计工具的进步，为化学人工智能领域贡献了关键基准。