zjunlp/Mol-Instructions|生物分子数据集|大型语言模型数据集

Mol-Instructions是一个为大型语言模型设计的开放、大规模的生物分子指令数据集。它包含三个主要部分：分子导向指令、蛋白质导向指令和生物分子文本指令。分子导向指令部分包含148,4K条指令，涉及六种任务，主要关注小分子的性质和行为。蛋白质导向指令部分包含505K条指令，涉及五种任务，旨在预测蛋白质的结构、功能和活性，并基于文本指令进行蛋白质设计。生物分子文本指令部分包含53K条指令，涉及六种信息提取和问答任务，主要用于生物信息学和化学信息学领域的NLP任务。数据集的构建采用了人机协作的方式，结合了现有的生物化学数据库和模板转换方法，并实施了严格的质量控制措施。数据集已在Hugging Face平台上发布，并附有详细的使用指南和模型权重。

原始信息汇总

数据集概述

数据集名称

🧪 Mol-Instructions

数据集描述

Mol-Instructions 是一个开放的大型生物分子指令数据集，专为大型语言模型设计。

数据集内容

数据统计

• 🔬 分子导向指令: 包含148,4K指令，覆盖六个任务。
• 🧬 蛋白质导向指令: 包含505K指令，覆盖五个任务。
• 🥼 生物分子文本指令: 包含53K指令，覆盖六个信息提取和问答任务。

数据构建

• 人机协作任务描述创建
• 现有数据信息提取
• 基于模板的生物数据文本转换
• 质量控制

数据发布

数据集已发布在 Hugging Face 平台，地址为 zjunlp/Mol-Instructions。

任务

分子导向

• 分子描述生成
• 描述引导的分子设计
• 正向反应预测
• 逆合成
• 试剂预测
• 性质预测

蛋白质导向

• 蛋白质设计
• 催化活性预测
• 蛋白质功能预测
• 功能描述生成
• 域/基序预测

生物分子文本

• 化学实体识别
• 化学-疾病交互提取
• 化学-蛋白质交互提取
• 多选题
• 真假题
• 开放问题

演示

模型权重发布

• 分子导向: zjunlp/llama-molinst-molecule-7b
• 蛋白质导向: zjunlp/llama-molinst-protein-7b
• 生物分子文本: zjunlp/llama-molinst-biotext-7b

模型使用指南

请参考 repository 获取详细的使用指南。

常见问题解答

• 模型遇到 <unk> 和重复输入时的处理
• 模型遇到 � 时的处理
• 使用相同解码参数得到不同结果的原因
• 答案质量不佳的可能原因

注意事项

使用和许可

数据集仅供研究使用，遵循 CC BY 4.0 许可，禁止商业使用。

限制

模型目前仅作为初步演示，处理实际生产级任务的能力有限。