分子屬性預(yù)測(cè)的數(shù)據(jù)集描述

新分子設(shè)計(jì)的模型：(1)分子生成，(2)分子評(píng)分方法，(3)針對(duì)評(píng)分函數(shù)優(yōu)化或搜索更好分子的方法1、ogbn-proteins:Protein-ProteinAssociationNetworkogbn-proteins：無(wú)向，帶權(quán)重，多種邊類型的圖結(jié)構(gòu)。節(jié)點(diǎn)代表著蛋白質(zhì)分子，邊表示蛋白質(zhì)之間不同類型的有生物學(xué)意義的聯(lián)系，例如物理相互作用、共表達(dá)或同源性。所有的邊都有8維特征，每個(gè)維度代表一個(gè)關(guān)聯(lián)類型的強(qiáng)度，取值范圍在0到1之間（值越大，關(guān)聯(lián)越強(qiáng)）。蛋白質(zhì)來(lái)源于8種物種。其任務(wù)是在一個(gè)多標(biāo)簽二元分類系統(tǒng)中預(yù)測(cè)蛋白質(zhì)功能的存在，該系統(tǒng)中總共有112種標(biāo)簽需要預(yù)測(cè)。這一表現(xiàn)是根據(jù)這112項(xiàng)任務(wù)中ROC-AUC的平均分來(lái)衡量的。2、ogbl-ddi:Drug-DrugInteractionNetworkogbl-ddi：是無(wú)權(quán)重?zé)o向的同質(zhì)圖，代表藥物-藥物相互作用網(wǎng)絡(luò)。每個(gè)節(jié)點(diǎn)都代表著一個(gè)專業(yè)的藥物。邊表示藥物之間的相互作用。這個(gè)作用可以解釋為一種現(xiàn)象，當(dāng)這兩種藥物同時(shí)使用時(shí)所產(chǎn)生的聯(lián)合效應(yīng)與這兩種藥物單獨(dú)使用時(shí)所產(chǎn)生的的預(yù)期效應(yīng)有很大的不同。其任務(wù)是在已知的藥物-藥物相互作用信息的基礎(chǔ)上預(yù)測(cè)藥物-藥物的相互作用。評(píng)估指標(biāo)與ogbl-collab相似，該模型將真實(shí)藥物相互作用的排名高于非相互作用藥物對(duì)。3、ogbl-biokg:BiomedicalKnowledgeGraphogbl-biokg：ogbl-biokg數(shù)據(jù)集是一個(gè)知識(shí)圖譜(KG)，它是使用來(lái)自大量生物醫(yī)學(xué)數(shù)據(jù)存儲(chǔ)庫(kù)的數(shù)據(jù)創(chuàng)建的。它包含五種實(shí)體：疾?。?0687個(gè)節(jié)點(diǎn)），蛋白質(zhì)（17499個(gè)節(jié)點(diǎn)），藥物（10533個(gè)節(jié)點(diǎn)），副作用（9969個(gè)節(jié)點(diǎn)），蛋白質(zhì)功能（45085個(gè)節(jié)點(diǎn)）。有51種類型的有向關(guān)系將兩種類型的實(shí)體聯(lián)系起來(lái)，包括39種藥物相互作用，8種蛋白質(zhì)相互作用，以及藥物，藥物副作用，藥物，功能，功能關(guān)系。所有關(guān)系均建模為有向邊，其中連接相同實(shí)體類型（例如蛋白質(zhì)-蛋白質(zhì)，藥物-藥物，功能-功能）的關(guān)系始終是對(duì)稱的，即，邊是雙向的。這個(gè)數(shù)據(jù)集與生物醫(yī)學(xué)和基礎(chǔ)醫(yī)學(xué)研究相關(guān)。在生物醫(yī)學(xué)方面，該數(shù)據(jù)集使我們能夠更好地了解人類生物學(xué)，并產(chǎn)生預(yù)測(cè)，從而指導(dǎo)下游的生物醫(yī)學(xué)研究。在基本的ML方面，數(shù)據(jù)集顯示了在處理噪聲、不完整的KG時(shí)可能存在矛盾的挑戰(zhàn)。這是因?yàn)閛gblbiokg數(shù)據(jù)集涉及從分子尺度（例如，細(xì)胞內(nèi)的蛋白質(zhì)-蛋白質(zhì)相互作用）到整個(gè)人群的異質(zhì)相互作用（例如，某個(gè)國(guó)家的患者所經(jīng)歷的有害副作用的報(bào)告）。此外，KG中的三元組來(lái)自具有各種置信水平的來(lái)源，包括實(shí)驗(yàn)性的讀數(shù)、人工編制的注釋和自動(dòng)提取的元數(shù)據(jù)。任務(wù)是根據(jù)給定的訓(xùn)練三元組來(lái)預(yù)測(cè)新的三元組。3、ogbg-ppa:Protein-ProteinAssociationNetworkogbg-ppa:ogbg-ppa數(shù)據(jù)集是從1581個(gè)不同物種的蛋白質(zhì)-蛋白質(zhì)關(guān)聯(lián)網(wǎng)絡(luò)中提取的一組無(wú)方向的蛋白質(zhì)關(guān)聯(lián)鄰域，這些蛋白質(zhì)關(guān)聯(lián)網(wǎng)絡(luò)覆蓋了37個(gè)廣泛的分類類群(如哺乳動(dòng)物、細(xì)菌科、古生菌)，并橫跨生命之樹(shù)。為了構(gòu)建鄰域，我們從每種物種中隨機(jī)選擇了100種蛋白質(zhì)，并以每個(gè)選定的蛋白質(zhì)為中心構(gòu)建了2跳蛋白關(guān)聯(lián)鄰域.然后，我們從每個(gè)鄰域中移除中心節(jié)點(diǎn)，并對(duì)鄰域進(jìn)行下采樣，以確保最終的蛋白關(guān)聯(lián)圖足夠小(小于300個(gè)節(jié)點(diǎn))。每個(gè)蛋白質(zhì)關(guān)聯(lián)圖中的節(jié)點(diǎn)表示蛋白質(zhì)，邊表示蛋白質(zhì)之間有生物學(xué)意義的關(guān)聯(lián)。邊緣與7維特征相關(guān)聯(lián)，其中每個(gè)元素取0到1之間的值，表示特定類型蛋白質(zhì)的強(qiáng)度蛋白質(zhì)關(guān)聯(lián)，如基因共現(xiàn)、基因融合事件和共表達(dá)。給定一個(gè)蛋白質(zhì)關(guān)聯(lián)鄰域圖，該任務(wù)是一個(gè)37向多分類方法，以預(yù)測(cè)該圖源自哪個(gè)分類學(xué)組。成功解決該問(wèn)題的能力對(duì)于理解跨物種的蛋白質(zhì)復(fù)合物的進(jìn)化，隨著時(shí)間的推移重新建立蛋白質(zhì)相互作用，發(fā)現(xiàn)基因之間的功能性關(guān)聯(lián)（甚至對(duì)于其他方面未被研究的生物）也具有意義，并且將使我們對(duì)關(guān)鍵的生物信息學(xué)有深刻的認(rèn)識(shí)諸如生物網(wǎng)絡(luò)對(duì)齊之類的任務(wù)4、GDBGDBGDB-11：遵循簡(jiǎn)單的化學(xué)穩(wěn)定性和合成可行性規(guī)則，列舉了最多11個(gè)C，N，O和F原子的有機(jī)小分子。GDB-13：遵循簡(jiǎn)單的化學(xué)穩(wěn)定性和合成可行性規(guī)則，列舉了最多13個(gè)C，N，O，S和Cl原子的有機(jī)小分子。GDB-13具有977468314種結(jié)構(gòu)，是迄今為止最大的可公開(kāi)獲得的小型有機(jī)分子數(shù)據(jù)庫(kù)。GDB-17：藥物分子由幾十個(gè)通過(guò)共價(jià)鍵連接的原子組成。這些分子總共可能有多少個(gè)，它們的結(jié)構(gòu)是什么？這個(gè)問(wèn)題在藥物化學(xué)中引起了人們的緊迫興趣，以幫助解決藥物效價(jià)，選擇性和毒性的問(wèn)題，并通過(guò)指出新的分子系列來(lái)降低損耗率。為了更好地定義未知的化學(xué)空間，我們列舉了1664億個(gè)碳原子，碳原子，氮原子，氧原子，硫原子和鹵素原子的17個(gè)原子組成的分子，形成了化學(xué)宇宙數(shù)據(jù)庫(kù)GDB-17，涵蓋的范圍涵蓋了許多藥物和典型的鉛化合物。GDB-17包含數(shù)百萬(wàn)種已知藥物的異構(gòu)體，包括與母體藥物具有高度形狀相似性的類似物。與PubChem中的已知分子相比，GDB-17分子在非芳族雜環(huán)，季中心和立體異構(gòu)體中含量更高，在形狀空間的第三維中密集分布，并代表了更多的支架類型5、QM7/QM7bQM7/QM7b數(shù)據(jù)集是GDB-13數(shù)據(jù)庫(kù)的子集:使用二元密度泛函理論（PBE0/tier2基集）確定每個(gè)分子的最穩(wěn)定構(gòu)象和電子特性（原子化能，HOMO/LUMO特征值等）的3D直角坐標(biāo)。在穩(wěn)定的構(gòu)象坐標(biāo)下，以QM7/QM7b為基準(zhǔn)的學(xué)習(xí)方法負(fù)責(zé)預(yù)測(cè)這些電子特性。QM7b該數(shù)據(jù)集是用于多任務(wù)學(xué)習(xí)的QM7數(shù)據(jù)集的擴(kuò)展，其中必須在不同的理論水平（ZINDO，SCS，PBE0，GW）下預(yù)測(cè)13個(gè)其他屬性（例如極化率，HOMO和LUMO特征值，激發(fā)能）。還包括其他含氯原子的分子，總計(jì)7211個(gè)分子。6、QM8QM8數(shù)據(jù)集來(lái)自最近對(duì)電子光譜的量子力學(xué)計(jì)算和小分子激發(fā)態(tài)能量建模的研究，是GDB-17的子集。在2.2萬(wàn)個(gè)樣本上，用三種不同的方法計(jì)算了四種激發(fā)態(tài)性質(zhì)。7、QM9QM9是一個(gè)全面的數(shù)據(jù)集，為GDB-17數(shù)據(jù)庫(kù)的一個(gè)子集提供幾何、能量、電子和熱動(dòng)力學(xué)特性。該數(shù)據(jù)庫(kù)包含431.4萬(wàn)個(gè)穩(wěn)定有機(jī)分子每個(gè)分子最多含有9個(gè)重原子。所有分子均使用密度泛函理論（基于B3LYP/6-31G（2df，p）的DFT）建模。在我們的基準(zhǔn)測(cè)試中，將幾何屬性（原子坐標(biāo)）集成到特征中，然后將其應(yīng)用于預(yù)測(cè)其他屬性。上述介紹的數(shù)據(jù)集(QM7,QM7b,QM8,QM9)是作為量子機(jī)器工作的一部分進(jìn)行策劃的，該工作已經(jīng)處理了大量數(shù)據(jù)集，以衡量機(jī)器學(xué)習(xí)方法在量子化學(xué)方面的有效性ESOLESOL是一個(gè)由1128種化合物的水溶性數(shù)據(jù)組成的小型數(shù)據(jù)集，該數(shù)據(jù)集已用于訓(xùn)練直接從化學(xué)結(jié)構(gòu)（如SMILES字符串中編碼）估算溶解度的模型。請(qǐng)注意，這些結(jié)構(gòu)不包含3D坐標(biāo)，因?yàn)槿芙舛仁欠肿拥膶傩裕皇翘囟?gòu)象的屬性FreeSolv自由溶劑化數(shù)據(jù)庫(kù)(FreeSolv)提供了實(shí)驗(yàn)和計(jì)算的小分子在水中的水化自由能。計(jì)算值是由分子動(dòng)力學(xué)模擬的化學(xué)自由能計(jì)算得出的。我們將實(shí)驗(yàn)值包含在基準(zhǔn)測(cè)試集合中，并使用計(jì)算值進(jìn)行比較。Lipophilicity親脂性是影響膜通透性和溶解性的藥物分子的重要特征。該數(shù)據(jù)集來(lái)自ChEMBL數(shù)據(jù)庫(kù)，提供了4200種化合物的辛醇/水分配系數(shù)（pH7.4