SupraDB-CavityScore

SupraDB-CavityScore是一个超分子化学特征数据集，属于SupraBench系列，由SupraEngineering计算管道生成。该数据集位于管道第1阶段（基于GLIDE的对接子集特征计算）和第2阶段（发布分割），专门设计用于通过inchikey字段与Phase 0的SupraDB-GEOM身份表及其他特征数据集（如LigandScore、PoseFeat）进行连接。数据集包含5000个样本，每个样本包含9个字段：inchikey（主连接键）、name（客体名称）、smiles（规范的最大片段SMILES表示）、source（经优先级去重后的来源）、docked（布尔标志，指示是否成功对接）、batch（可选发布批次标识），以及四个机制评分字段：S_occupancy（基于疏水占据体积的腔体占据评分）、S_portal（基于阳离子-门户距离、电荷可及性、氢键和取向的门户兼容性评分）、S_accessibility（基于所选对接构象中溶剂可及正原子的电荷可及性评分）、S_orientation（测量正中心是否从腔体中心指向近端门户的取向评分）。数据来源于GLIDE 2025u2对接软件（带aISS回退）在CRC计算环境中生成的对接结果，具体源文件为data/dock_b7_pull/scores.pkl。该数据集适用于超分子化学研究，特别是CB[7]主体与客体分子相互作用的机制分析和评分预测。SupraDB-CavityScore is a supramolecular chemistry feature dataset, part of the SupraBench series, generated by the SupraEngineering computational pipeline. It is located at Stage 1 (GLIDE-based docking subset feature calculation) and Stage 2 (release split) of the pipeline, specifically designed to connect with the SupraDB-GEOM identity table of Phase 0 and other feature datasets (e.g., LigandScore, PoseFeat) via the inchikey field. The dataset contains 5000 samples, each with 9 fields: inchikey (primary connection key), name (guest name), smiles (canonical maximum fragment SMILES representation), source (source after priority deduplication), docked (boolean flag indicating successful docking), batch (optional release batch identifier), and four mechanism scoring fields: S_occupancy (cavity occupancy score based on hydrophobic occupied volume), S_portal (portal compatibility score based on cation-portal distance, charge accessibility, hydrogen bonds, and orientation), S_accessibility (charge accessibility score based on solvent-accessible positive atoms in selected docking conformations), S_orientation (orientation score measuring whether the positive center points from the cavity center to the proximal portal). The data is derived from docking results generated by GLIDE 2025u2 docking software (with aISS fallback) in the CRC computational environment, with the specific source file being data/dock_b7_pull/scores.pkl. This dataset is suitable for supramolecular chemistry research, particularly for mechanism analysis and scoring prediction of interactions between CB[7] host and guest molecules.

原始信息汇总

数据集概览：SupraDB-CavityScore

名称: SupraDB-CavityScore
来源: Hugging Face - SupraBench/SupraDB-CavityScore
许可证: 其他（未指定具体开源协议）
标签: 化学、超分子化学、CB7、Glide、CRC
行数: 5000 行

---

数据集描述

SupraDB-CavityScore 是 SupraBench 系列中的特征数据集，由 SupraEngineering 计算流水线生成。该数据集包含基于 GLIDE 分子对接后评估的腔体打分相关特征，用于超分子主-客体结合分析，特别是 CB[7]（葫芦脲[7]）体系。

流水线位置：

• 阶段 1: 对对接后的子集进行 GLIDE 特征计算（compute_all_features）
• 阶段 2: 发布数据分割（publish split）

---

数据模式（Schema）

列名	数据类型	单位	含义
inchikey	string	无	主键，用于与 SupraDB-GEOM 及其他特征数据集（LigandScore、PoseFeat）进行连接
name	string	无	来自 SupraDB-GEOM 身份表的客体分子名称
smiles	string	无	来自 SupraDB-GEOM 身份表的规范最大片段 SMILES
source	string	无	经过优先级去重后的获胜来源
docked	bool	无	布尔标志，表示该客体是否成功存在于对接 pickle 文件中；False 表示提交过对接但结果缺失，对应特征值为空/NaN。仅在使用 --attempted 时出现
batch	string	无	可选的发布批次标识符，使用 --batch 时所有行均包含该值。仅对 CavityScore 和 PoseFeat 且使用 --batch 时出现
S_occupancy	float32	无量纲分数	基于所选对接构象疏水占据体积的腔体占据分数
S_portal	float32	无量纲分数	基于阳离子-门户距离、电荷可达性、氢键及取向的门户兼容性分数
S_accessibility	float32	无量纲分数	基于所选对接构象中溶剂可及正电荷原子的电荷可达性分数
S_occupancy	float32	无量纲分数	衡量正电荷中心是否从腔体中心指向近端门户的取向分数

---

连接键

• inchikey 是连接 SupraDB-GEOM、SupraDB-LigandScore、SupraDB-PoseFeat 和 SupraDB-CavityScore 的唯一连接键。
• 下游加载器应基于该列进行连接，并按流水线顺序（constants.SCORE_NAMES 和 constants.POSE_FEATURES）处理特征值。

---

数据来源与生成

• 源 pickle 文件: data/dock_b7_pull/scores.pkl
• 计算环境: CRC（计算资源中心）
• 对接/软件环境: GLIDE 2025u2 / aISS 回退机制（按集成规范）
• 构象选择: 使用最高玻尔兹曼权重的构象作为对接构象；PoseFeat 保留 np.argmax(boltz) 处的真实构象及其 boltzmann_weight 和 delta_e
• 精确发布命令: 使用 publish.py 脚本，参数包括 --dock-scores、--pose-feats、--attempted、--identity、--batch batch7，输出到 data/publish_b7

---

再生说明

如需重新生成该数据集，可重新运行 SupraEngineering/src/publish.py，使用相同的流水线 pickle 输入和 --out 目标路径。若需推送到 Hugging Face 中心，需在已认证环境（设置 HF_TOKEN）中使用 --push 参数；本地生成默认完全离线。

搜集汇总

数据集介绍

构建方式

SupraDB-CavityScore 数据集源于超分子化学领域的计算管道 SupraEngineering，旨在表征 CB[7] 空腔与客体分子间的结合特征。该数据集通过 Phase 1 的 GLIDE 分子对接流程对客体构象进行采样与评分，提取其与空腔相互作用的定量指标，并于 Phase 2 执行发布拆分，最终整合为包含 5000 条记录的结构化表格。每条记录以 InChIKey 为主键，与上游身份表及下游特征表紧密关联。

特点

数据集的核心特色在于其对空腔识别的多维评分体系，涵盖空腔占据度 (S_occupancy)、门户兼容性 (S_portal)、电荷可及性 (S_accessibility) 及取向评价 (S_orientation) 四大机制分数。此外，数据引入了 docked 布尔标志位，用以标识客体是否成功对接进入空腔，并支持通过 batch 参数追踪发布批次，为大规模筛选提供了可复现的数据溯源机制。

使用方法

使用者可通过 InChIKey 作为唯一连接键，将本数据集与 SupraDB-GEOM、LigandScore 及 PoseFeat 等特征集进行横向拼接，构建完整的超分子结合特征矩阵。数据以 CSV 格式存储于 HuggingFace 平台，用户可借助 pandas 等工具直接读取 features.csv 文件，无需复杂预处理。如需重现数据生成流程，可运行 SupraEngineering 代码仓库中的 publish.py 脚本，并指定相同的对接结果与身份文件作为输入。

背景与挑战

背景概述

SupraDB-CavityScore 数据集诞生于超分子化学计算与人工智能的交叉领域，由SupraEngineering计算管线于2025年前后开发，旨在系统评估葫芦脲[7]（CB[7]）与客体分子间的空腔适配性。该数据集由Billy Ma等研究人员依托CRC计算环境，整合GLIDE分子对接软件与Boltzmann权重降采样策略，从5000个对接构象中提取了涵盖疏水占位、空腔朝向及门控兼容性的多维几何特征。作为SupraDB系列的核心组件，CavityScore通过InChIKey与配体及构象数据集贯通，构建了从分子结构到结合自由能的量化桥梁，推动了超分子主客体识别的数据驱动研究范式。

当前挑战

当前挑战主要聚焦于超分子识别机制的物理化学理解与数据工程瓶颈。在领域层面，空腔占据、门控电荷密度的时空动态性如何影响主客体结合能，尚缺乏高精度理论模型描述；而分子对接中多构象的Boltzmann权重分配与能量排序，直接关联着活性客体筛选的可靠性。在构建过程中，GLIDE软件对特定客体的对接失败（如docked字段标记的缺失），以及空腔特征向量（包括S_occupancy、S_portal等评分项）的计算噪声，均可能引入系统性偏差。此外，跨数据集通过InChIKey联合查询时，异构体规范化的歧义性也对数据融合的鲁棒性构成严峻挑战。

常用场景

经典使用场景

在超分子化学与计算化学的交叉领域，SupraDB-CavityScore数据集为研究葫芦脲[7]（CB[7]）与其客体分子的主客体相互作用提供了系统性的特征基准。该数据集最经典的使用场景是作为机器学习模型的训练与评估资源，用于预测CB[7]-客体复合物的结合亲和力和选择性。基于GLIDE 2025u2软件计算的空腔占据分数、端口相容性分数、电荷可及性分数和取向分数等四个核心特征，研究者能够构建高效的回归或分类模型，量化客体分子在分子识别过程中的结构-活性关系，从而加速新型超分子体系的理性设计。

实际应用

在实际应用层面，SupraDB-CavityScore可服务于药物递送系统、分子传感器和分离材料等前沿领域的设计优化工作。例如，在药物化学中，CB[7]可作为药物分子的纳米载体，利用该数据集的分数特征快速筛选具有高空腔占据和适宜端口相容性的候选化合物，提升包载效率与释放可控性。在环境检测领域，该数据集能够辅助设计对特定污染物具有高选择性的CB[7]基传感器，通过特征分析预判识别能力。此外，在超分子催化剂的研发中，空腔特征可用于预测底物结合的有效性和反应定向能力，显著降低实验试错成本。

衍生相关工作

SupraDB-CavityScore数据集的发布催生了一系列重要的衍生工作。研究者基于该数据集的特征设计并验证了多种机器学习框架，如结合分子指纹与深度神经网络的端到端预测模型，显著提升了CB[7]-客体结合分数的预测精度。这些模型被迁移至其他葫芦脲家族成员的结合特性研究中，拓展了超分子特征工程的适用范围。此外，该数据集与SupraDB-LigandScore和SupraDB-PoseFeat的联合使用，催生了融合配体-空腔-取向多视角信息的综合分析范式，为建立统一的超分子结合预测平台奠定了数据基础，并启发了针对环糊精、杯芳烃等主体体系的类似特征数据集的构建工作。