OpenMol/MolInst_FS_125K_Scaffold_SMILES-MMChat

--- dataset_info: features: - name: id dtype: int64 - name: molecules struct: - name: selfies sequence: string - name: smiles sequence: string - name: messages list: - name: content dtype: string - name: role dtype: string - name: ground_truth dtype: string splits: - name: train num_bytes: 125589818 num_examples: 124384 - name: test num_bytes: 932865 num_examples: 1004 download_size: 18105115 dataset_size: 126522683 configs: - config_name: default data_files: - split: train path: data/train-* - split: test path: data/test-* --- Forward Reaction Prediction Dataset (derived from [MolInstruct](https://arxiv.org/abs/2306.08018)) - molecule representation format: 1D SMILES - will further encode into 2D graph features - We use scaffold splitting to reconstruct the train-split. We use SMolInstruct FS train split as the sample pool. For Detail, refer to *PRESTO: Progressive Pretraining Enhances Synthetic Chemistry Outcomes*: https://arxiv.org/pdf/2406.13193数据集信息： 特征： - 名称：id，数据类型：int64 - 名称：molecules，为结构体类型，包含以下字段： - 名称：selfies，类型为字符串序列 - 名称：smiles，类型为字符串序列 - 名称：messages，为列表类型，列表元素包含： - 名称：content，数据类型为字符串 - 名称：role，数据类型为字符串 - 名称：ground_truth，数据类型为字符串 数据集划分： - 划分名称：train（训练集），字节大小：125589818，样本数量：124384 - 划分名称：test（测试集），字节大小：932865，样本数量：1004 下载大小：18105115，数据集总大小：126522683 配置： - 配置名称：default（默认配置），数据文件路径如下： - 划分：train，路径为data/train-* - 划分：test，路径为data/test-* 本数据集为正向反应预测数据集，衍生自MolInstruct（论文链接：https://arxiv.org/abs/2306.08018）。 - 分子表示格式：1D 简化分子线性输入规范（SMILES），后续将被进一步编码为二维图特征。 - 我们采用支架拆分方法重构训练集划分，并将SMolInstruct FS训练集划分用作样本池。 详细信息请参阅论文《PRESTO: Progressive Pretraining Enhances Synthetic Chemistry Outcomes》，链接：https://arxiv.org/pdf/2406.13193