chao1224/MoleculeSTM

MoleculeSTM数据集包括一个预训练数据集（PubChemSTM）和多个下游任务数据集。预训练数据集仅包含化学结构信息，而下游任务数据集用于不同的分子相关任务，如结构-文本检索、空间对齐、文本引导编辑和分子属性预测。具体包括：DrugBank_data用于零样本结构-文本检索，ZINC250K_data用于空间对齐（编辑的第一步），Editing_data用于零样本文本引导编辑（编辑的第二步），MoleculeNet_data用于分子属性预测。

The MoleculeSTM dataset consists of a pre-training dataset (PubChemSTM) and multiple downstream task datasets. The pre-training dataset only contains chemical structure information, whereas the downstream task datasets are tailored for a variety of molecule-related tasks, including structure-text retrieval, spatial alignment, text-guided editing, and molecular property prediction. Specifically, the available downstream datasets are as follows: DrugBank_data for zero-shot structure-text retrieval, ZINC250K_data for spatial alignment (the first step of editing), Editing_data for zero-shot text-guided editing (the second step of editing), and MoleculeNet_data for molecular property prediction.

原始信息汇总

数据集概述

数据集名称

• MoleculeSTM

数据集获取方式

• 可通过Hugging Face链接获取预处理后的原始数据集。
• 或通过运行python download.py下载数据集。

预训练数据集

• PubChemSTM：仅提供化学结构信息，如需文本数据，请使用预处理脚本。

下游任务数据集

• DrugBank_data：用于零样本结构-文本检索。
• ZINC250K_data：用于空间对齐（编辑步骤1）。
• Editing_data：用于零样本文本引导编辑（编辑步骤2），包含：
  • single_multi_property_SMILES.txt：用于单目标、多目标、基于结合亲和力的编辑和药物相关性编辑。
  • neighbor2drug：用于专利药物分子的邻域搜索。
• MoleculeNet_data：用于分子属性预测。

搜集汇总

背景与挑战

背景概述

该数据集是一个分子科学相关的文本数据集，包含预训练和下游任务数据，适用于结构-文本检索、分子编辑和属性预测等应用。