AI4Chem/uspto_1k_TPL_processed

---
dataset_info:
features:
- name: text
dtype: string
- name: label
dtype: int64
splits:
- name: train
num_bytes: 85086273
num_examples: 605075
- name: test
num_bytes: 9455946
num_examples: 67120
download_size: 41919138
dataset_size: 94542219
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
---

数据集信息：
特征列表：
- 名称为 text（文本），数据类型为 string（字符串）
- 名称为 label（标签），数据类型为 int64（64位整数）
数据集划分：
- 划分名称为 train（训练集），字节占用量为 85086273，样本数量为 605075
- 划分名称为 test（测试集），字节占用量为 9455946，样本数量为 67120
下载总大小：41919138 字节
数据集总存储大小：94542219 字节
配置项：
- 配置名称为 default（默认配置），数据文件配置：
- 数据集划分 train（训练集）对应数据文件路径为 data/train-*
- 数据集划分 test（测试集）对应数据文件路径为 data/test-*

搜集汇总

数据集介绍

构建方式

在化学信息学领域，USPTO数据集是化学反应预测研究的核心资源。AI4Chem/uspto_1k_TPL_processed数据集基于美国专利商标局（USPTO）的专利文献构建，通过对原始反应数据进行精细化的文本处理与标签化转换而来。该数据集包含两个核心字段：'text'字段存储经过标准化的化学反应文本描述，'label'字段则提供对应的反应类别标签。数据被划分为训练集与测试集，其中训练集包含605,075个样本，测试集包含67,120个样本，整体数据规模约为94.5 MB，为化学反应分类与序列建模任务提供了结构清晰、规模适中的基础资源。

特点

该数据集的核心特点在于其精简而高效的设计理念。相较于动辄数百万样本的大型化学数据集，uspto_1k_TPL_processed通过筛选约1,000个反应模板，在保持任务代表性的同时大幅降低了计算资源需求。其文本与标签的键值对结构使得数据加载与预处理极为便捷，无需复杂的解析流程。此外，数据集已预先划分好训练与测试集，避免了随机分割带来的实验复现困难，尤其适合用于基准测试与模型对比研究。这种平衡了数据规模与任务复杂度的设计，使其成为化学反应分类、文本到标签映射等任务的理想选择。

使用方法

使用该数据集时，研究者可通过HuggingFace的datasets库直接加载，只需一行代码即可获取训练与测试数据。具体而言，调用load_dataset('AI4Chem/uspto_1k_TPL_processed')即可完成下载与缓存。数据以字典形式返回，'text'字段可直接输入预训练语言模型（如BERT、RoBERTa）进行微调，'label'字段则作为分类目标。推荐采用交叉熵损失函数进行训练，并利用测试集评估模型在化学反应分类任务上的泛化性能。对于需要快速验证新模型架构或进行特征工程的研究者，该数据集提供了低门槛的入口，能够高效推动化学语言建模的迭代与创新。

背景与挑战

背景概述

在化学信息学与人工智能的交叉领域中，有机化学反应预测一直是推动药物发现和合成路径设计的关键瓶颈。AI4Chem/uspto_1k_TPL_processed数据集由致力于化学人工智能的研究团队构建，其核心研究问题在于如何利用大规模化学反应数据训练模型，以实现对有机反应产物的精准预测。该数据集源自美国专利商标局（USPTO）的专利文献，经过精细的模板化处理（TPL），将原始反应转化为标准化表示，为深度学习模型提供了高质量的训练样本。自发布以来，该数据集已成为反应预测任务的重要基准，显著推动了图神经网络和序列到序列模型在该领域的应用与评估，对加速合成化学的自动化进程产生了深远影响。

当前挑战

该数据集所解决的领域问题主要集中于有机化学反应预测，挑战在于反应条件的多样性、副反应的复杂性以及反应模板的泛化能力。具体而言，USPTO专利文献中的反应往往包含特定催化剂、溶剂和温度等条件，模型需从有限示例中学习这些隐含规则；同时，实际反应中可能存在的副产物或立体化学信息在模板化处理中易被简化，导致预测偏差。在数据集构建过程中，面临的挑战包括从非结构化的专利文本中准确提取反应实体，并通过模板匹配消除歧义，这一过程需要大量化学专家知识以确保标注一致性。此外，数据集的规模虽大，但反应类型分布不均，稀有反应类别的样本稀疏性进一步增加了模型训练的难度，亟需更有效的数据增强或迁移学习策略来弥补这一不足。

常用场景

经典使用场景

AI4Chem/uspto_1k_TPL_processed数据集在化学信息学与自然语言处理交叉领域占据重要地位，其经典使用场景聚焦于有机化学反应预测任务。通过将USPTO专利数据库中的化学反应转化为结构化的文本序列表示，该数据集为基于Transformer架构的模型提供了高质量的监督学习素材。研究者常利用其训练端到端的反应预测模型，学习从反应物到产物的映射规则，从而在分子层面理解化学转化规律。这一场景不仅考验模型对复杂化学语法的解析能力，也为后续的逆合成分析、反应条件推荐等高级任务奠定了数据基础。

实际应用

在实际应用中，该数据集支撑着药物发现与精细化工领域的自动化合成设计。基于其训练的模型可被整合到虚拟筛选平台，辅助化学家快速评估目标分子的可合成性，并推荐最优的合成路线。例如，在原料药开发中，通过预测关键步骤的产率与副反应风险，减少实验试错成本。此外，该数据集还赋能了实验室自动化系统，使机器人能够根据文本指令自主执行已验证的化学反应流程，提升研发效率。其标准化格式也便于跨机构共享反应知识，促进化学信息学工具的商业化落地。

衍生相关工作

围绕AI4Chem/uspto_1k_TPL_processed，衍生出一系列具有影响力的研究工作。在模型架构层面，基于该数据集的分子图Transformer与序列到序列模型的对比研究，揭示了不同表征方式对反应预测性能的影响。在数据增强方面，研究者提出了反应模板扰动与原子映射重排策略，以缓解数据稀疏性问题。此外，该数据集还催生了多任务学习框架，同时预测反应产物、反应条件与产率，拓展了单一预测任务的边界。这些工作不仅提升了模型在零样本反应预测上的泛化能力，也为构建更全面的化学知识图谱提供了方法论借鉴。