NV-KERMT-70M-v2训练数据集深度解析：1100万分子数据的科学价值

NV-KERMT-70M-v2训练数据集深度解析1100万分子数据的科学价值【免费下载链接】NV-KERMT-70M-v2项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/NV-KERMT-70M-v2NV-KERMT-70M-v2是由NVIDIA开发的图 transformer 基础模型专为药物发现中的ADMET吸收、分布、代谢、排泄、毒性性质预测而设计。该模型在包含1100万分子的大规模数据集上进行预训练为下游药物研发应用提供了强大的分子表示学习基础。数据集构成多源融合的分子宝库核心数据集组合NV-KERMT-70M-v2的训练数据采用多源融合策略构建了一个包含约1110万独特分子的综合 corpusZINC15ChEMBL基础库约1100万分子遵循Rong et al. 2020的预训练数据协议提供了广泛的化学多样性基础Biogen ADMET约3.5K分子包含6个ADMET终点的实验数据专注于药物代谢和药代动力学特性ExpansionRX约7.6K分子2026年发布的ADMET数据集涵盖9个关键终点包括LogD、溶解度和各种清除率测量ChEMBL-MT约114K分子Adrian et al. 2025整理的多任务子集包含25个ADMET终点24个ADME 1个毒性终点数据来源特点每个数据集都有其独特的贡献和特点ZINC15由UCSF的Irwin Shoichet实验室汇编是免费提供的商业化化合物数据库通过自动化方式从公共供应商目录中收集ChEMBL由EBI手动整理的生物活性分子数据库数据来源于主要文献和直接提交Biogen ADMET来自Biogen药物发现项目的实验性ADMET测定数据包含3,521个独特分子ExpansionRX包含7.6K分子的最新ADMET数据集提供了多种关键药物性质的测量值ChEMBL-MT混合了手动收集和自动聚合的ChEMBL测定数据形成了多任务学习的基础数据特性高质量分子表示的基础数据规模与多样性总量约11.1×10^6个分子SMILES字符串磁盘大小约几百MB取决于序列化方式分子多样性通过Bemis-Murcko骨架进行支架平衡确保训练数据覆盖广泛的化学空间数据去重所有分子均通过规范SMILES进行去重保证数据唯一性数据模态与表示训练数据采用SMILES简化分子输入线输入系统字符串作为分子的一维文本表示这种表示方式具有以下优势简洁性用ASCII字符表示复杂的分子结构可读性可被RDKit等开源化学信息学工具解析标准化采用规范SMILES确保分子表示的一致性可解析性能够转换为2D原子-键图用于模型处理数据处理确保高质量训练的关键步骤数据收集方法数据集采用混合收集方法自动化收集ZINC15从公共供应商目录自动抓取手动收集ChEMBL、Biogen ADMET和ExpansionRX的数据来自实验测定和文献整理混合方法ChEMBL-MT结合了手动收集的测定数据和自动聚合的多任务拆分预处理流程虽然具体预处理细节未在文档中详述但从模型输入要求可以推断出以下关键步骤SMILES标准化将分子转换为规范SMILES表示去重处理基于规范SMILES去除重复分子分子筛选可能包括分子量、原子类型等基本过滤支架平衡使用Bemis-Murcko支架进行训练/验证集拆分SMILES长度控制推荐最大序列长度为512个令牌无监督标签生成NV-KERMT-70M-v2的预训练是无监督的不使用人工提供的标签。训练目标通过以下方式自动生成原子上下文使用基于RDKit的确定性规则计算键上下文通过分子结构分析自动生成官能团预测基于化学结构特征提取SMILES重建以输入SMILES本身作为目标科学价值推进药物发现的数据集优势对模型性能的影响这个大规模、多样化的数据集为NV-KERMT-70M-v2提供了以下优势化学空间覆盖1100万分子提供了广泛的化学结构多样性ADMET特异性增强添加的ADMET数据集使模型对药物相关性质更加敏感预训练效率大样本量支持更稳健的特征学习和泛化能力多任务学习基础多样化的终点数据支持多任务模型开发下游应用价值该数据集不仅支持模型预训练还为药物发现研究提供了宝贵资源ADMET预测基准可用于评估不同模型在药物性质预测任务上的性能分子表示学习为化学信息学中的分子表示学习提供高质量训练数据虚拟筛选支持开发更准确的虚拟筛选模型加速药物先导化合物发现多任务模型开发多终点数据支持开发综合预测模型数据集使用指南获取与使用要使用NV-KERMT-70M-v2模型及其关联的训练数据资源可通过以下方式克隆仓库git clone https://gitcode.com/hf_mirrors/nvidia/NV-KERMT-70M-v2相关数据集获取ZINC15https://zinc15.docking.org/ChEMBLhttps://www.ebi.ac.uk/chembl/Biogen ADMEThttps://github.com/molecularinformatics/Computational-ADMEExpansionRXhttps://huggingface.co/datasets/openadmet/openadmet-expansionrx-challenge-dataChEMBL-MThttps://figshare.com/articles/dataset/Datasets_for_Multitask_finetuning_and_acceleration_of_chemical_pretrained_models_for_small_molecule_drug_property_prediction_/30350548模型训练资源NV-KERMT-70M-v2项目提供了完整的训练和推理所需资源预训练词汇文件pretrain_atom_vocab.json原子词汇表pretrain_bond_vocab.json键词汇表pretrain_smiles_vocab.pklSMILES词汇表预训练模型权重kermt_contrastive_v2.0.pt总结1100万分子数据集的意义NV-KERMT-70M-v2的1100万分子训练数据集代表了药物发现AI模型训练数据的最佳实践多源融合、严格筛选、化学多样性和ADMET针对性的平衡。这个数据集不仅支持了高性能图 transformer 模型的训练也为整个药物发现社区提供了宝贵的资源基础。通过结合大规模基础分子库和针对性的ADMET数据集NV-KERMT-70M-v2在保持广泛化学空间覆盖的同时增强了对药物开发关键性质的预测能力。这种数据策略为开发更准确、更可靠的药物发现AI模型铺平了道路有望加速新药物的开发过程并降低成本。对于药物发现研究人员和计算化学家来说理解这个数据集的构成和特性将有助于更好地利用NV-KERMT-70M-v2模型并为类似模型的开发提供数据策略参考。随着AI在药物发现中的应用不断深入高质量、大规模的分子数据集将继续发挥核心作用。【免费下载链接】NV-KERMT-70M-v2项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/NV-KERMT-70M-v2创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考