OpenMol/SMol_FS_Filtered_875K_SMILES-MMChat

--- dataset_info: features: - name: id dtype: int64 - name: molecules struct: - name: selfies sequence: string - name: smiles sequence: string - name: ground_truth dtype: string - name: messages list: - name: content dtype: string - name: role dtype: string splits: - name: train num_bytes: 899476523 num_examples: 870598 - name: dev num_bytes: 2131451 num_examples: 2049 - name: test num_bytes: 3991147 num_examples: 4062 download_size: 151229360 dataset_size: 905599121 configs: - config_name: default data_files: - split: train path: data/train-* - split: dev path: data/dev-* - split: test path: data/test-* --- Forward Reaction Prediction Dataset (derived from [SMolInstruct](https://arxiv.org/abs/2402.09391)) - molecule representation format: 1D SMILES - will further encode into 2D graph features - We filtered out overlapping samples from original train-split (test-set: MolInstruct-Forward Reaction Prediction) For Detail, refer to *PRESTO: Progressive Pretraining Enhances Synthetic Chemistry Outcomes*: https://arxiv.org/pdf/2406.13193数据集信息： 特征字段： - 字段名：id，数据类型：int64（64位整型） - 字段名：molecules（分子），为结构体类型，包含两个子字段： - 子字段名：selfies（Self-Referencing Embedded Strings），类型为字符串序列 - 子字段名：smiles（Simplified Molecular-Input Line-Entry System），类型为字符串序列 - 字段名：ground_truth（真实标签），数据类型：字符串 - 字段名：messages，为列表类型，列表内元素为结构体，包含两个子字段： - 子字段名：content，数据类型：字符串 - 子字段名：role，数据类型：字符串 数据集划分： - 训练集（train）：占用字节数899476523，样本量870598 - 开发集（dev）：占用字节数2131451，样本量2049 - 测试集（test）：占用字节数3991147，样本量4062 下载总大小：151229360字节，完整数据集总大小：905599121字节 配置项： - 配置名称：default（默认配置），数据文件路径： - 训练集对应路径：data/train-* - 开发集对应路径：data/dev-* - 测试集对应路径：data/test-* 正向反应预测数据集（衍生自SMolInstruct，详见https://arxiv.org/abs/2402.09391） - 分子表示格式：1D SMILES（Simplified Molecular-Input Line-Entry System），后续将进一步编码为二维图特征 - 我们已从原始训练划分中过滤掉重复样本（注：原测试集对应MolInstruct-正向反应预测任务） 详细信息请参阅论文《PRESTO：渐进式预训练提升合成化学任务效果》：https://arxiv.org/pdf/2406.13193