OpenMol/RCR_SP_70K_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: 72083085
num_examples: 70988
- name: dev
num_bytes: 7822847
num_examples: 7694
- name: test
num_bytes: 7964807
num_examples: 7793
download_size: 13186858
dataset_size: 87870739
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: dev
path: data/dev-*
- split: test
path: data/test-*
---

Reaction Condition Prediction Dataset (Solvent Prediction)
- molecule representation format: 1D SMILES
- will further encode into 2D graph features

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：
- 标识符（id）：数据类型为64位整数（int64）
- 分子（molecules）：结构体类型，包含两个子字段：
- SELFIES字符串序列（selfies）：字符串序列
- SMILES（Simplified Molecular-Input Line-Entry System）字符串序列（smiles）：字符串序列
- 对话消息（messages）：列表类型，列表元素为结构体，包含：
- 内容（content）：字符串类型
- 角色（role）：字符串类型
- 真实标签（ground_truth）：字符串类型
数据集划分：
- 训练集（train）：字节数72083085，样本量70988
- 验证集（dev）：字节数7822847，样本量7694
- 测试集（test）：字节数7964807，样本量7793
下载大小：13186858字节
数据集总大小：87870739字节
配置项：
- 默认配置（default）：数据文件映射如下：
- 训练集对应路径：data/train-*
- 验证集对应路径：data/dev-*
- 测试集对应路径：data/test-*

反应条件预测数据集（溶剂预测方向）
- 分子表示格式：一维SMILES（Simplified Molecular-Input Line-Entry System）
后续将进一步编码为二维图特征
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