leon14159/moleculenet-unimol-lmdb

---
license: mit
tags:
- chemistry
- molecular-property-prediction
- moleculenet
- uni-mol
size_categories:
- 100K<n<1M
---

# MoleculeNet Uni-Mol LMDB Data

Pre-split MoleculeNet datasets in LMDB format from [Uni-Mol](https://github.com/deepmodeling/Uni-Mol) (ICLR 2023).

## Split Protocol

- **Scaffold splitting** (Bemis-Murcko with `includeChirality=True`)
- **Ratio**: 8:1:1 (train:valid:test)
- Following GEM (Fang et al., 2022) and Uni-Mol (Zhou et al., ICLR 2023)

## Data Format

Each dataset directory contains `train.lmdb`, `valid.lmdb`, and `test.lmdb`. Each LMDB entry is a pickled dict with keys:
- `smi`: SMILES string
- `atoms`: atom type list
- `coordinates`: 3D coordinates array (shape: [num_conformers, num_atoms, 3])
- `target`: label(s)

## Datasets

### Classification (ROC-AUC)
| Dataset | Tasks | Test Size |
|---------|-------|-----------|
| BBBP | 1 | 204 |
| BACE | 1 | 152 |
| ClinTox | 2 | 148 |
| Tox21 | 12 | 784 |
| SIDER | 27 | 143 |
| HIV | 1 | 4,113 |

### Regression (RMSE)
| Dataset | Tasks | Test Size |
|---------|-------|-----------|
| ESOL | 1 | 113 |
| FreeSolv | 1 | 65 |
| Lipophilicity | 1 | 420 |

## Source

- **Original data**: [Uni-Mol GitHub](https://github.com/deepmodeling/Uni-Mol)
- **License**: MIT (DP Technology)
- **Paper**: [Uni-Mol: A Universal 3D Molecular Representation Learning Framework](https://openreview.net/forum?id=6K2RM6wVqKu)

---
许可证：MIT
标签：
- 化学（chemistry）
- 分子性质预测（molecular-property-prediction）
- MoleculeNet
- Uni-Mol
数据规模类别：10万<样本量<100万
---

# MoleculeNet Uni-Mol LMDB 数据集

本数据集为源自Uni-Mol（ICLR 2023论文）的预拆分MoleculeNet数据集，采用LMDB格式存储。

## 拆分方案
- **骨架拆分**：采用Bemis-Murcko拆分法，参数设置为`includeChirality=True`
- **拆分比例**：8:1:1（训练集:验证集:测试集）
- **遵循规范**：参考GEM（Fang等人，2022）与Uni-Mol（Zhou等人，ICLR 2023）的拆分设定

## 数据格式
每个数据集目录包含`train.lmdb`、`valid.lmdb`与`test.lmdb`三个文件。每个LMDB条目为经pickle序列化的字典，包含以下键：
- `smi`：SMILES（Simplified Molecular-Input Line-Entry System）字符串
- `atoms`：原子类型列表
- `coordinates`：三维坐标数组（形状：[构象数, 原子数, 3]）
- `target`：单个或多个标签

## 数据集
### 分类任务（评价指标：ROC-AUC（受试者工作特征曲线下面积））
| 数据集 | 任务数 | 测试集规模 |
|---------|-------|-----------|
| BBBP | 1 | 204 |
| BACE | 1 | 152 |
| ClinTox | 2 | 148 |
| Tox21 | 12 | 784 |
| SIDER | 27 | 143 |
| HIV | 1 | 4,113 |

### 回归任务（评价指标：RMSE（均方根误差））
| 数据集 | 任务数 | 测试集规模 |
|---------|-------|-----------|
| ESOL | 1 | 113 |
| FreeSolv | 1 | 65 |
| Lipophilicity | 1 | 420 |

## 来源
- **原始数据**：[Uni-Mol GitHub仓库](https://github.com/deepmodeling/Uni-Mol)
- **许可证**：MIT（DP Technology）
- **相关论文**：[Uni-Mol: A Universal 3D Molecular Representation Learning Framework](https://openreview.net/forum?id=6K2RM6wVqKu)