rgroup-edit-dataset

R-Group Edit Dataset 是一个专注于通过自然语言指令编辑Markush结构中R基团的数据集，建立在MolParser-7M数据集之上。该数据集支持光学化学结构识别（OCSR）、Markush结构理解和多模态分子编辑的交叉任务。数据集包含Markush分子（以E-SMILES和图像形式）、自然语言指令（指定要替换的R基团及其取代基）和编辑后的完整分子（以SMILES和图像形式）的配对样本。每个化学编辑操作配有5种不同风格的自然语言指令，以评估模型在不同描述格式下的鲁棒性。数据集包含76,475条记录，涉及15,035种独特的化学操作和4,817个源分子骨架。数据格式包括原始E-SMILES、指令、R基团分配、输出SMILES、分子图像路径以及6种RDKit计算的分子属性。数据集适用于多任务学习，包括SMILES编辑、视觉问答（VQA）和图像编辑等下游任务。