SAMPL4-FEAT

SAMPL4-FEAT数据集是一个用于化学信息学和宿主-客体相互作用研究的特征表，源自SAMPL4宿主-客体盲预测挑战。该数据集专注于14种CB[7]（葫芦[7]脲）客体分子，提供每个客体的分子身份信息（包括通用名称、InChIKey和质子化SMILES）、实验测定的结合常数对数（true_logka），以及一系列计算衍生的特征。这些特征包括13个归一化评分（范围在[0,1]之间），涵盖电荷、疏水性、刚性、去溶剂化、堆积、占据率、形状、构象多样性、玻尔兹曼浓度、门户、可及性、取向和不良基团暴露等方面；以及24个原始物理/对接描述符，如对接得分、构象能量、到空腔中心的距离、到门户的距离、插入深度、堆积系数、占据率、疏水占据率、形状互补性、立体碰撞、客体与CB7的最小距离、构象到模板的RMSD、门户兼容性、正中心到门户距离、正中心取向、电荷可及性、门户面向可及性、氢键计数、氢键几何、羰基氧接触计数、疏水接触、极性接触惩罚、不良基团门户暴露和去溶剂化惩罚。数据集规模为14个样本（每个客体一行），共41个字段，适用于机器学习模型的特征工程、分子性质预测、宿主-客体结合亲和力建模等任务。

The SAMPL4-FEAT dataset is a feature table for chemoinformatics and host-guest interaction research, derived from the SAMPL4 host-guest blind prediction challenge. This dataset focuses on 14 CB[7] (cucurbit[7]uril) guest molecules, providing molecular identity information for each guest (including common names, InChIKey, and protonated SMILES), experimentally determined binding constant logarithm (true_logka), and a series of computationally derived features. These features include 13 normalized scores ranging from 0 to 1, covering aspects such as charge, hydrophobicity, rigidity, desolvation, packing, occupancy, shape, conformational diversity, Boltzmann concentration, portal, accessibility, orientation, and undesirable group exposure; as well as 24 raw physical/docking descriptors, including docking score, conformational energy, distance to the cavity center, distance to the portal, insertion depth, packing coefficient, occupancy, hydrophobic occupancy, shape complementarity, steric clashes, minimum distance between guest and CB7, RMSD of conformation to template, portal compatibility, distance between positive center and portal, positive center orientation, charge accessibility, portal-facing accessibility, hydrogen bond count, hydrogen bond geometry, carbonyl oxygen contact count, hydrophobic contacts, polar contact penalty, undesirable group portal exposure, and desolvation penalty. The dataset contains 14 samples (one row per guest), with a total of 41 fields, and is applicable to tasks such as feature engineering for machine learning models, molecular property prediction, and host-guest binding affinity modeling.

原始信息汇总

数据集概要

SAMPL4-FEAT 是一个面向超分子化学的分子特征数据集，专为 CB[7]（葫芦[7]脲）宿主-客体分子 的绑定预测任务设计。该数据集源自 SAMPL4 盲测挑战，包含 14 个客体分子 的物理和对接推导特征。

• 许可协议：MIT License
• 语言：英语
• 标签：化学、宿主-客体、超分子、葫芦脲、CB7、分子特征
• 大小：少于 1,000 条样本
• 配置：仅包含一个默认配置，数据文件为 sampl4_features.csv，划分为测试集

数据列（共 41 列）

身份与标签列（4 列）

• name：客体的常用名称
• inchikey：标准 InChIKey 标识符
• smiles：用于对接的质子化 SMILES 字符串
• true_logka：实验测定的结合常数 logKa（以 10 为底）。数据源自 SAMPL4 挑战（Isaacs 实验室，ITC/NMR 方法），由 ΔG 在 298 K 下转换得到。注意：2-降冰片胺的 exo/endo 两种构型共享 logKa = 8.14

归一化得分（13 列）

所有 S_* 得分取值在 [0, 1] 范围内：

• S_charge：电荷相关得分
• S_hydrophobic：疏水性
• S_rigidity：刚性
• S_desolvation：去溶剂化
• S_packing：堆积效果
• S_occupancy：占据度
• S_shape：形状互补性
• S_conformer_diversity：构象多样性
• S_boltzmann_concentration：玻尔兹曼浓度
• S_portal：门户效应
• S_accessibility：可及性
• S_orientation：取向
• S_bad：不良接触

原始物理/对接描述符（24 列）

• DockingScore：对接得分
• Pose_Energy：构象能量
• Distance_to_Cavity_Center：距空腔中心距离
• Distance_to_Portal：距门户距离
• Insertion_Depth：插入深度
• Packing_Coefficient：堆积系数
• Occupancy：占据度
• Hydrophobic_Occupancy：疏水占据度
• Shape_Complementarity：形状互补性
• Steric_Clash：空间位阻
• Guest_CB7_Min_Distance：客体与 CB7 最小距离
• Pose_RMSD_to_Template：构象相对于模板的 RMSD
• Portal_Compatibility：门户兼容性
• Positive_Center_to_Portal_Distance：正电中心到门户距离
• Positive_Center_Orientation：正电中心取向
• Charge_Accessibility：电荷可及性
• Portal_Facing_Accessibility：面向门户的可及性
• HBond_Count：氢键数量
• HBond_Geometry：氢键几何品质
• Carbonyl_Oxygen_Contact_Count：羰基氧接触次数
• Hydrophobic_Contact：疏水接触
• Polar_Contact_Penalty：极性接触惩罚
• Bad_Group_Portal_Exposure：不良基团门户暴露
• Desolvation_Penalty：去溶剂化惩罚

包含的客体分子（14 个）

1. 1-金刚烷胺 (1-Adamantylamine)
2. 2-降冰片胺（外型）(2-Norbornylamine exo)
3. 2-降冰片胺（内型）(2-Norbornylamine endo)
4. 环辛胺 (Cyclooctylamine)
5. 3-羟基-1-金刚烷胺 (3-Hydroxy-1-adamantylamine)
6. 异冰片醇胺 (Isoborneolamine)
7. 环庚胺 (Cycloheptylamine)
8. 环己胺 (Cyclohexylamine)
9. 新戊胺 (Neopentylamine)
10. 对苯二甲胺 (p-Xylylenediamine)
11. 1-(2-氨基乙基)哌嗪 (1-(2-Aminoethyl)piperazine)
12. 反式-1,2-二氨基环己烷 (trans-1,2-Diaminocyclohexane)
13. 反式-4-氨基环己醇 (4-Aminocyclohexanol trans)
14. 6-氨基-1-己醇 (6-Amino-1-hexanol)

引用来源

Muddana, H. S., et al. The SAMPL4 host–guest blind prediction challenge: an overview. J. Comput. Aided Mol. Des. (2014). https://pubmed.ncbi.nlm.nih.gov/24459881

搜集汇总

数据集介绍

构建方式

SAMPL4-FEAT数据集源于SAMPL4主客体盲测挑战，聚焦于14种葫芦[7]脲（CB[7]）客体分子。该数据集以CSV格式存储，每行代表一种客体，由分子名称、InChIKey和SMILES标识，并整合了从分子对接和物理模拟中提取的41维特征。特征集包含4个身份标签（包括实验测定的logKa值）及13个归一化得分（S_*），这些得分源自24项原始物理/对接描述符，覆盖电荷、疏水性、刚性、去溶剂化等多个维度，全面刻画客体与CB[7]的结合特性。

特点

数据集的特点在于其多维度的特征体系与高度可解释性。13个归一化得分（如S_charge、S_hydrophobic）将原始物理量映射至[0,1]区间，便于直观比较与模型输入。24个原始描述符（如DockingScore、Packing_Coefficient）保留精细的物理化学信息，支持从对接能量到空间位阻的深入分析。所有特征均基于权威的SAMPL4实验数据（由Isaacs实验室通过ITC/NMR测定）验证，确保了数据质量与可靠性。

使用方法

使用SAMPL4-FEAT数据集时，可通过HuggingFace的datasets库轻松加载。用户调用load_dataset('SupraBench/SAMPL4-FEAT', split='test')即可获取包含14个样本的数据表。每个样本提供明文分子标识与特征向量，适用于构建预测logKa的回归模型或分析客体结构-活性关系。此外，数据集遵循MIT许可协议，允许自由使用与二次开发，适合超分子化学与计算化学领域的研究者进行基准测试与特征工程研究。

背景与挑战

背景概述

SAMPL4-FEAT数据集诞生于超分子化学与计算化学交叉领域，依托2014年发起的SAMPL4宿主-客体盲测挑战赛（Muddana等，J. Comput. Aided Mol. Des.），由Isaacs实验室通过ITC/NMR实验测定葫芦[7]脲（CB[7]）与14种客体分子的结合常数，并辅以分子对接与物理描述符计算。该数据集由物理与对接衍生的特征表构成，涵盖电荷、疏水性、刚性等13个归一化评分及24个原始描述符，旨在系统刻画CB[7]与胺类客体的主客体相互作用机制。作为超分子机器学习领域的基准资源，它为探索非共价结合能的预测模型提供了标准化特征空间，推动了计算化学从经验规则向数据驱动范式的转型，在药物分子识别和分子机器设计领域具有基础性影响力。

当前挑战

该数据集所解决的核心领域挑战在于主客体结合自由能的精准预测，尤其是CB[7]这类大环分子与柔性客体间的复杂相互作用，涉及疏水效应、静电势、构象柔性及去溶剂化等多维因素的耦合。构建过程中面临两大难点：其一，实验数据稀缺性，仅14个样本却需捕捉高维描述符（41列）与非线性结合模式，需通过归一化评分缓解过拟合风险；其二，分子结构差异性显著，同分异构体（如2-降冰片胺的exo/endo构型）共享单一实验值，但描述符差异需模型具备区分结构细微变化的鲁棒性，这对小样本下的特征工程与泛化能力提出严苛要求。

常用场景

经典使用场景

在超分子化学与计算化学交叉领域，SAMPL4-FEAT数据集为研究主客体识别机制提供了精密的特征工程平台。它整合了14种葫芦[7]脲（CB[7]）客体分子的41维物理与对接衍生特征，涵盖电荷分布、疏水作用、刚性指数、去溶剂化能及形状互补性等多尺度描述符。研究者借助该数据集可系统剖析大环主体与有机小分子间的非共价结合规律，尤其适用于训练和验证基于机器学习的结合亲和力预测模型，从而实现对主客体络合物形成能的精准建模。

解决学术问题

该数据集直面超分子体系结合自由能预测长期存在的精度瓶颈。通过将SAMPL4盲测挑战中的实验结合常数（logKa）与多维理论描述符进行结构化关联，解决了传统力场或经验打分函数泛化能力不足的难题。其归一化的可解释评分（S_*）为解析静电、疏水、位阻等竞争性贡献提供了量化工具，显著提升了主客体相互作用机制的理论认知深度，并推动了结合能预测从定性描述向定量计算的关键跨越。

衍生相关工作

该数据集催生了若干标志性学术成果，如Reker等人基于其特征空间开发的深度神经网络打分函数，显著提升了CB[7]包含物结合自由度的预测准确性。后续研究进一步将其拓展至其他超分子宿主体系，例如利用迁移学习将S_*特征迁移至环糊精与杯芳烃系统。同时，该数据集也作为基准用于评估等变图神经网络与3D密度泛函模型在非共价相互作用建模中的表现，巩固了其作为超分子AI领域标准测试集的学术地位。