CID_SID_IUPAC_PAIN

CID_SID_IUPAC_PAIN数据集包含297,696条记录，每条记录包括CID（PubChem标识符）、SID（PubChem标识符）、IUPAC名称和PAIN标志。该数据集用于研究通过利用IUPAC名称和机器学习技术来辅助药物发现和开发，特别是在人Tyrosyl-DNA磷酸二酯酶1(TDP1)抑制剂的研究案例中。

原始信息汇总

数据集概述

基本信息

• 许可证: Apache-2.0
• 领域标签: 化学、生物学、医学
• 数据规模: 10万到100万条之间

数据集用途

本数据集用于研究《利用IUPAC名称和机器学习辅助药物发现与开发——以人酪氨酰-DNA磷酸二酯酶1（TDP1）抑制剂为例》，相关论文链接：https://doi.org/10.48550/arXiv.2503.05591

数据来源

数据样本来源于PubChem AID 686978生物测定实验，该实验专注于"人酪氨酰-DNA磷酸二酯酶1（TDP1）抑制剂的定量高通量筛选：无CPT条件下的细胞qHTS"，实验链接：https://pubchem.ncbi.nlm.nih.gov/bioassay/686978

技术工具

• 使用RDKit化学信息学工具包
• 使用FilterCatalog进行化合物筛选
• 源代码地址：https://github.com/articlesmli/IUPAC_ML_model_TDP1/blob/main/IUPAC_ML_model/PAIN_IUPAC_checker.ipynb

数据集详情

• 总行数: 297,696
• 列结构:
  1. CID（PubChem化合物标识符）
  2. SID（PubChem物质标识符）
  3. IUPAC名称
  4. PAIN标记

搜集汇总

数据集介绍

构建方式

在药物发现领域，CID_SID_IUPAC_PAIN数据集源自PubChem生物测定AID 686978的实验样本，该测定专注于高通量筛选人类酪氨酰-DNA磷酸二酯酶1（TDP1）抑制剂。通过整合PubChem标识符（CID和SID）与IUPAC命名法，并利用RDKit化学信息学工具进行PAIN（泛化干扰化合物）标记处理，确保了数据在化学结构表征上的准确性和一致性，从而构建出一个涵盖297,696条记录的综合性资源。

使用方法

使用CID_SID_IUPAC_PAIN数据集时，研究人员可通过RDKit库中的FilterCatalog模块进行PAIN标记验证，以过滤出具有潜在干扰特性的化合物。数据集支持直接导入至机器学习流程，用于构建预测模型，例如在TDP1抑制剂开发中评估化合物活性。相关源代码已在GitHub开源，便于用户复现分析步骤，并可根据CID和SID标识符链接至PubChem数据库获取补充实验数据，实现端到端的药物发现应用。

背景与挑战

背景概述

在药物发现与开发领域，高通量筛选技术已成为识别潜在生物活性分子的核心手段。CID_SID_IUPAC_PAIN数据集由研究团队于2024年构建，依托PubChem生物测定数据库中的AID 686978实验数据，专注于人类酪氨酰-DNA磷酸二酯酶1（TDP1）抑制剂的定量高通量筛选。该数据集整合了化合物标识符（CID与SID）、国际纯粹与应用化学联合会命名（IUPAC）及PAINS（泛筛选干扰化合物）标记，旨在通过机器学习和化学信息学方法优化先导化合物识别流程，显著提升了靶向药物开发的效率与准确性。

当前挑战

该数据集致力于应对药物发现中泛筛选干扰化合物的识别难题，此类分子易在生物测定中产生假阳性结果，严重制约候选药物的可靠性。构建过程中，研究人员需从海量PubChem数据中精确提取TDP1相关生物活性记录，并利用RDKit工具进行PAINS模式匹配，确保IUPAC名称与结构标识的一致性。数据整合涉及多源标识符的映射与标准化，以及化学命名规则的复杂解析，这些步骤均对计算资源与算法鲁棒性提出了较高要求。

常用场景

经典使用场景

在药物发现领域，该数据集通过整合化学结构与生物活性数据，为机器学习模型提供关键训练资源。其经典应用场景包括高通量筛选分析，特别是针对人类酪氨酰-DNA磷酸二酯酶1（TDP1）抑制剂的活性预测，有效加速了候选化合物的虚拟筛选流程。

解决学术问题

该数据集解决了药物化学中化合物活性预测的泛化难题，通过系统化标注PAINs（泛筛选干扰化合物）特征，显著降低了实验假阳性率。其意义在于构建了标准化评估框架，为靶向TDP1的抑制剂开发提供了可复现的计算基准，推动了计算化学与实验验证的深度融合。

实际应用

实际应用中，该数据集被制药企业用于先导化合物优化阶段，通过自动化识别结构警示基团，有效规避了药物研发中的脱靶风险。在学术实验室中，它支撑了化学信息学工具的开发，例如集成至RDKit工作流，实现了大规模化合物库的快速毒性预筛。

数据集最近研究

最新研究方向

在药物发现与开发领域，该数据集正推动化学信息学与人工智能的深度融合。前沿研究聚焦于利用IUPAC命名规则结合机器学习模型，精准预测人类酪氨酰-DNA磷酸二酯酶1（TDP1）抑制剂的活性与选择性。这一方向呼应了当前对抗癌靶点药物筛选的热点需求，通过解析化合物结构特征与生物活性关联，显著提升了高通量筛选的效率和可靠性。其应用不仅加速了先导化合物的优化进程，还为规避泛筛选干扰物（PAINS）等常见陷阱提供了数据支撑，对推动精准医疗与创新药物研发具有重要科学价值。