sagawa/pubchem-10m-canonicalized

---
annotations_creators: []
language: []
language_creators:
- expert-generated
license:
- apache-2.0
multilinguality:
- monolingual
pretty_name: canonicalized PubChem-10m
size_categories:
- 100K<n<1M
source_datasets:
- original
tags:
- PubChem
- chemical
- SMILES
task_categories: []
task_ids: []
---

### dataset description
We downloaded PubChem-10m dataset from [here](https://deepchemdata.s3-us-west-1.amazonaws.com/datasets/pubchem_10m.txt.zip) and canonicalized it.
We used the following function to canonicalize the data and removed some SMILES that cannot be read by RDKit.

```python:
from rdkit import Chem
def canonicalize(mol):
mol = Chem.MolToSmiles(Chem.MolFromSmiles(mol),True)
return mol
```

We randomly split the preprocessed data into train and validation. The ratio is 9 : 1.

annotations_creators: []
language: []
language_creators:
- expert-generated
license:
- apache-2.0
multilinguality:
- monolingual
pretty_name: canonicalized PubChem-10m
size_categories:
- 100K<n<1M
source_datasets:
- original
tags:
- PubChem
- 化学
- SMILES（Simplified Molecular Input Line Entry System）
task_categories: []
task_ids: []

### 数据集说明
我们从指定链接（https://deepchemdata.s3-us-west-1.amazonaws.com/datasets/pubchem_10m.txt.zip）下载PubChem-10m数据集并完成标准化处理。
我们采用如下函数实现数据标准化，并剔除了无法被RDKit读取的SMILES（Simplified Molecular Input Line Entry System）字符串：
python:
from rdkit import Chem
def canonicalize(mol):
mol = Chem.MolToSmiles(Chem.MolFromSmiles(mol),True)
return mol

我们将预处理完成的数据集按照9:1的比例随机划分为训练集与验证集。

原始信息汇总

数据集概述

• 名称: canonicalized PubChem-10m
• 语言: 单语种（Monolingual）
• 语言生成方式: 专家生成（expert-generated）
• 许可证: Apache-2.0
• 数据集大小: 100K<n<1M
• 数据来源: 原始数据（original）
• 标签:
  • PubChem
  • chemical
  • SMILES
• 数据处理:
  • 数据从此处下载并进行规范化处理。
  • 使用RDKit工具对数据进行规范化，移除了无法被RDKit读取的SMILES数据。
  • 数据被随机分为训练集和验证集，比例为9:1。

搜集汇总

背景与挑战

背景概述

该数据集包含约1000万条经过规范化的化学分子SMILES字符串，主要用于化学信息学和机器学习研究。数据集已划分为900万条训练数据和100万条验证数据，格式为Parquet，总大小为263MB。