alxfgh/PubChem10M_SELFIES

---
pretty_name: PubChem10M_GroupSelfies
size_categories:
- 1M<n<10M
source_datasets:
- PubChem10M
tags:
- chemistry
- molecules
- selfies
- smiles
---
<a href="https://deepchemdata.s3-us-west-1.amazonaws.com/datasets/pubchem_10m.txt.zip">PubChem10M</a> dataset by DeepChem encoded to SELFIES using <a href="https://github.com/aspuru-guzik-group/group-selfies">group-selfies</a>.

---
数据集名称：PubChem10M_GroupSelfies
规模类别：样本量介于100万至1000万之间
源数据集：PubChem10M
标签：化学、分子、SELFIES（Self-Referencing Embedded Strings）、简化分子线性输入规范（Simplified Molecular Input Line Entry System，简称SMILES）
---
由DeepChem发布的<a href="https://deepchemdata.s3-us-west-1.amazonaws.com/datasets/pubchem_10m.txt.zip">PubChem10M</a>数据集已通过<a href="https://github.com/aspuru-guzik-group/group-selfies">group-selfies</a>工具编码为SELFIES格式。

原始信息汇总

数据集概述

数据集名称

• PubChem10M_GroupSelfies

数据集大小

• 1M<n<10M

来源数据集

• PubChem10M

标签

• 化学
• 分子
• SELFIES
• SMILES

描述

• PubChem10M数据集由DeepChem编码为SELFIES格式，使用group-selfies工具。

搜集汇总

数据集介绍

构建方式

在化学信息学领域，分子表征的标准化与高效处理是推动药物发现与材料设计的关键挑战。该数据集基于DeepChem团队发布的PubChem10M大规模分子库，通过引入group-selfies编码技术，将原始的SMILES表示转换为更为鲁棒的SELFIES格式。具体而言，研究团队利用group-selfies算法对PubChem数据库中逾千万级的小分子结构进行重新编码，确保每个分子均以自洽且语法正确的SELFIES字符串形式存储，从而消除了传统SMILES中因语法歧义导致的解析错误问题。这一构建方式不仅保留了原始分子的拓扑与化学信息，还显著提升了数据在后续深度学习任务中的兼容性与稳定性。

特点

该数据集的核心优势在于其规模与编码方式的独特性。一方面，它涵盖了超过一千万个有机小分子，覆盖了广泛的化学空间，为训练大规模生成模型或预测模型提供了充足样本。另一方面，采用group-selfies编码使得分子序列具有固定的语法规则，避免了SMILES中常见的无效结构或重复表示，从而降低了模型学习过程中的噪声干扰。此外，数据集中分子以标准化字符串形式呈现，便于直接输入至Transformer或RNN等序列模型，无需额外进行繁琐的预处理步骤。这种高保真度的分子表征方式，使得该数据集在分子生成、性质预测及逆合成分析等任务中展现出卓越的适用性。

使用方法

使用时，用户可直接从HuggingFace数据集库加载alxfgh/PubChem10M_SELFIES，通过标准的数据加载工具获取SELFIES字符串序列。推荐将数据划分为训练集、验证集与测试集，以进行分子生成模型的训练与评估。对于下游任务，如分子性质预测，可将SELFIES序列通过分词器转换为token索引后输入至神经网络。此外，研究者可结合group-selfies库提供的解码功能，将SELFIES还原为SMILES或分子图结构，以兼容现有化学计算工具。该数据集无需额外清洗，开箱即用，极大简化了分子机器学习研究的预处理流程。

背景与挑战

背景概述

在化学信息学与分子生成领域，分子表示方法的选择对模型性能至关重要。传统的SMILES表示虽广泛应用，却存在语法易错、分子结构歧义等问题。为突破这一瓶颈，SELFIES（自引用嵌入字符串）作为一种鲁棒的分子表征方案应运而生，其设计确保了任意字符串均对应合法分子结构。alxfgh/PubChem10M_SELFIES数据集由研究团队基于DeepChem提供的PubChem10M原始数据，利用group-selfies工具进行编码转换而成。该数据集创建于深度学习驱动的分子生成研究热潮中，核心聚焦于解决大规模分子数据的高效、无歧义表示问题。通过将千万级分子库转化为SELFIES格式，它显著降低了分子生成模型对语法规则的依赖，为药物发现、材料设计等领域提供了标准化、可复用的数据基础，对推动分子生成模型的鲁棒性研究具有重要影响力。

当前挑战

当前该数据集面临多重挑战。其一，在领域问题层面，尽管SELFIES克服了SMILES的语法脆弱性，但分子生成任务仍需应对化学空间探索的指数级复杂性，即如何在庞大的潜在分子结构中高效采样并确保生成分子的合成可行性与药理学活性。其二，构建过程中，原始PubChem10M数据包含大量噪声分子和异构体歧义，编码转换时需处理分子标准化与格式一致性，而group-selfies的扩展规则可能引入特定基团表示的冗余，影响模型对分子拓扑结构的精准学习。此外，数据集的规模虽达千万级，但相较于化学空间的无限性仍显有限，模型易受分布偏差影响，难以泛化至稀有或新颖分子骨架，这为实际应用中的分子优化与发现带来了严峻考验。

常用场景

经典使用场景

在化学信息学与分子生成领域，PubChem10M_SELFIES数据集以其庞大的分子结构信息库著称，将传统SMILES表示转化为更为鲁棒的SELFIES编码，有效规避了SMILES语法的歧义性与无效性问题。该数据集最经典的使用场景在于训练分子生成模型，如变分自编码器（VAE）或生成对抗网络（GAN），以学习分子结构的潜在分布并生成新颖且化学合理的化合物。此外，它亦广泛用于分子性质预测任务，通过图神经网络或Transformer架构，从SELFIES序列中提取特征以预测毒性、溶解度等关键属性。研究者常借助该数据集进行分子优化与药物设计，利用强化学习或迁移学习策略，探索满足特定生物活性的候选分子，从而加速先导化合物的发现进程。

实际应用

在实际应用中，该数据集赋能了药物研发管线中的虚拟筛选环节，制药公司可基于其训练模型快速评估数百万候选分子的成药潜力，显著降低实验筛选成本。在材料科学领域，它被用于设计新型有机光电材料或催化剂，通过生成模型探索具有特定电子特性的分子结构。此外，该数据集还支持化学教育平台开发智能分子检索与可视化工具，帮助研究人员快速查询相似结构或反应路径。值得注意的是，其SELFIES编码格式天然适用于分布式计算环境，使得大规模并行生成与筛选成为可能，加速了从实验室到临床的转化周期。

衍生相关工作

围绕该数据集衍生了一系列经典工作，例如基于SELFIES的分子生成模型如MolGAN和JT-VAE的改进版本，通过利用其无歧义表示提升了生成分子的有效性比率。此外，研究者提出了Group-SELFIES方法，对原始SELFIES进行扩展以支持功能团级别的操作，进一步增强了分子编辑与优化的灵活性。在预训练模型领域，ChemBERTa和MolT5等架构直接在该数据集上预训练，学得分子序列的通用表示，并成功迁移到下游任务如反应预测和量子性质计算。这些工作不仅验证了数据集的实用价值，还推动了化学语言模型从规则驱动向数据驱动范式的演进。