navanchauhan/decimer-data-mini

PubChem 68K数据集包含68,996个分子的图像和对应的SMILES、SELFIES字符串。这些分子的分子量少于1500道尔顿，不包含反离子，仅由C, H, O, N, P, S, F, Cl, Br, I, Se和B元素组成，不包含氢的同位素，键的数量在3到40之间，不包含任何带电基团，仅包含隐式氢（功能基团除外），SMILES字符少于40个，且不允许立体化学。数据集来源于Decimer，并使用RDKit生成了516x516大小的图像。

原始信息汇总

数据集概述

基本信息

• 许可证: openrail
• 数据集名称: PubChem 68K
• 大小范围: 10K<n<100K
• 任务类别: image-to-text

数据集特征

• 特征名称: image
  • 数据类型: image
• 特征名称: smiles
  • 数据类型: string
• 特征名称: selfies
  • 数据类型: string

数据集划分

• 训练集
  • 样本数量: 68996
  • 存储大小: 1185846198.576字节
• 测试集
  • 样本数量: 15499
  • 存储大小: 267097779.576字节
• 验证集
  • 样本数量: 15499
  • 存储大小: 266912227.912字节

数据集大小

• 下载大小: 1692942822字节
• 总大小: 1719856206.064字节

数据集内容特性

• 分子重量小于1500 Daltons
• 不含反离子
• 元素组成限于C, H, O, N, P, S, F, Cl, Br, I, Se, B
• 不包含氢的同位素(D, T)
• 键数范围为3-40
• 不包含任何带电基团，包括两性离子形式
• 仅含隐式氢，功能团除外
• SMILES字符数小于40
• 不允许立体化学

数据集生成

• 原始数据集来自Decimer，经过随机抽样
• 使用RDKit生成516x516大小的图像