化合物数据集列表

2019年9月13日2021年8月28日

列出您稍后可用于练习的机器学习和化学信息学数据集。

复合数据库

一组包含化合物结构信息的数据库。

PubChem是化学分子数据库之一。
数以百万计的化合物结构和描述数据集可以通过FTP下载。 PubChem中少于1000个原子和1000个键。
80多个数据库源为PubChem的发展做出了贡献。
维基百科

药物及其候选化合物的数据库。目前，已记录了180万种化合物和1500万例的活动数据。各种筛选和测定数据的54个子数据集似乎易于使用。

包含3D信息的类药物有机化合物的数据集，最初是为通过对接计算进行虚拟筛选而开发的。列出了超过7亿个结构。

一个数据集，需要在对接模拟之前生成（计算）化合物的构象，并用作基准以验证该构象的准确性。包含的化合物种类是少于5000的蛋白质结合配体。

尽管它是一个很小的数据集，但它似乎具有丰富的结构多样性。它不太沉重，似乎是练习的理想选择。您也可以将其下载并与rdkit一起使用。

包含一些目标变量（例如化合物及其活性值）的数据集。

由美国国立卫生研究院（NIH），美国环境保护署（EPA）和美国食品药品管理局（FDA）赞助的21年Tox2014数据挑战赛的数据集，旨在争夺基于化学物质的毒性预测的准确性结构式。

核受体报告基因（ER，AR，芳香酶等），应激反应（p53，是， HSE其他）测定结果也包括在内。

MoleculeNet 是一个基准数据集，旨在通过机器学习测试分子特性预测。它基于多个公共数据库，包含以下数据集：

kaggle竞赛中使用的两个原子之间的耦合常数数据集..在化合物的xyz坐标数据中给出（约13种化合物，450万个原子组合和耦合常数）。

上述某些数据集已集成到用于化学和生物学领域的深度学习框架“ Deep Chem”和“ Chainer chemistory”中。 Deep Chem支持分子网，Chainer化学支持分子网，QM9，Tox21和Zinc。

还有一个类似这样的站点，它汇集了生命科学数据库的列表。不仅是化合物，而且还有基因组和生物。
Integbio数据库目录

我参加了kaggle竞赛“预测分子特性”，但是计算大量数据（添加了功能的300 MB或更多）花了很长时间，所以我很难过。在练习复合数据的可视化，建立和验证机器学习模型时，我觉得分子网，Tox21或LogP完全可以满足要求。