TianyaoBlogs
0%

QM9 Dataset

发表于 更新于 分类于

1. QM9 数据集的XYZ格式详解

这个数据集使用的 “XYZ-like” 格式是一种扩展的、非标准的XYZ格式。

行号 内容 解释
第 1 行 na 一个整数，代表分子中的原子总数。
第 2 行 Properties 1-17 包含17个理化性质的数值，用制表符或空格分隔。
第 3 到 na+2 行 Element x y z charge 每行代表一个原子。依次是：元素符号、x/y/z坐标（单位：埃）、Mulliken部分电荷（单位：e）。
第 na+3 行 Frequencies 分子的振动频率（3na-5或3na-6个）。
第 na+4 行 SMILES_GDB9 SMILES_relaxed 来自GDB9的SMILES字符串和弛豫后的几何构型的SMILES字符串。
第 na+5 行 InChI_GDB9 InChI_relaxed 对应的InChI字符串。

与标准XYZ格式对比： * 标准格式只有第1行（原子数）、第2行（注释）和后续的原子坐标行（仅含元素和xyz坐标）。 * QM9格式在第2行插入了大量属性数据，在原子坐标行增加了电荷列，并在文件末尾附加了频率、SMILES和InChI信息。

2. readme

  1. 数据集核心内容:
    • 它包含了133,885个小型有机分子（由H, C, N, O, F元素组成）的量子化学计算数据。
    • 所有分子的几何构型都经过了DFT/B3LYP/6-31G(2df,p)水平的优化。
    • dsC7O2H10nsd.xyz.tar.bz2是该数据集的一个子集，专门包含6,095个C₇H₁₀O₂的同分异构体，其能量学性质在更高精度的G4MP2理论水平下计算。
  2. 文件结构与格式:
    • 明确指出每个分子存储在单独的.xyz文件中，并详细描述了上述的非标准XYZ扩展格式。
    • 详细列出了记录在文件第2行的17种理化性质，包括转动常数(A, B, C)、偶极矩(mu)、HOMO/LUMO能级、零点振动能(zpve)、内能(U)、焓(H)和吉布斯自由能(G)等。
  3. 数据来源与计算方法:
    • 数据源于GDB-9化学数据库。
    • 主要使用了两种量子化学理论水平：B3LYP用于大部分属性计算，G4MP2用于C₇H₁₀O₂子集的能量计算。
  4. 引用要求:
    • 文件明确要求，如果使用该数据集，需要引用Raghunathan Ramakrishnan等人在2014年发表于《Scientific Data》的论文。
  5. 其他信息:
    • 提供了一些额外文件（如validation.txt, uncharacterized.txt）的说明。
    • 提到了数据集中有少数几个分子在几何优化时难以收敛。

3. 可视化

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
import ase.io
import nglview as nv
import io

def parse_qm9_xyz(file_path):
    """
    Parses a QM9 extended XYZ file and returns a standard XYZ string.
    """
    with open(file_path, 'r') as f:
        lines = f.readlines()
    
    # First line is the number of atoms
    num_atoms = int(lines[0].strip())
    
    # The next line is properties (skip it)
    # The next num_atoms lines are the coordinates
    coord_lines = lines[2:2+num_atoms]
    
    # Rebuild a standard XYZ format string in memory
    standard_xyz = f"{num_atoms}\n"
    standard_xyz += "Comment line\n" # Add a standard comment line
    for line in coord_lines:
        parts = line.split()
        # Keep only the element and the x, y, z coordinates
        standard_xyz += f"{parts[0]} {parts[1]} {parts[2]} {parts[3]}\n"
        
    return standard_xyz

# Path to your data file
file_path = "/root/QM9/QM9/Data_for_6095_constitutional_isomers_of_C7H10O2.xyz/dsC7O2H10nsd_0001.xyz"

# 1. Parse the special file format into a standard XYZ string
standard_xyz_data = parse_qm9_xyz(file_path)

# 2. ASE reads the standard XYZ data from the string variable
#    We use io.StringIO to make the string behave like a file
atoms = ase.io.read(io.StringIO(standard_xyz_data), format="xyz")

# 3. Create the nglview visualization widget
view = nv.show_ase(atoms)
view.add_ball_and_stick()

# Display the widget in the notebook output
view

  1. 定义解析函数 parse_qm9_xyz:
    • 目的: 将这个函数作为专门处理QM9特殊格式的工具。代码主体清晰，易于复用。
    • 读取文件: with open(...) 安全地打开文件，并用 f.readlines() 将文件所有行一次性读入一个列表 lines 中。
    • 提取原子数量: num_atoms = int(lines[0].strip()) 读取第一行（lines[0]），去除可能存在的空格（.strip()），并将其转换为整数。这是构建标准XYZ格式的必要信息。
    • 提取坐标信息: coord_lines = lines[2:2+num_atoms] 标信息从第3行开始（索引为2），持续num_atoms行。通过列表切片，精确地提取出所有包含原子坐标的行，跳过了第2行的属性信息。
    • 构建标准XYZ格式字符串:
      • 创建一个名为 standard_xyz 的新字符串。
      • 首先，将原子数量和换行符写入。
      • 然后，添加一行标准的注释（“Comment line”），这是标准XYZ格式所要求的。
      • 最后，遍历刚刚提取的 coord_lines 列表。对于每一行，使用 .split() 将其拆分成多个部分（例如：['C', 'x', 'y', 'z', 'charge']）。只取前四部分（元素符号和xyz坐标），并重新组合成新的一行，从而丢弃了末尾的Mulliken电荷数据。
    • 返回结果: 函数返回一个包含了标准XYZ格式数据的、干净的字符串。
  2. 主程序执行流程:
    • 调用函数: standard_xyz_data = parse_qm9_xyz(file_path) 调用上面的函数，完成从文件到标准格式字符串的转换。
    • 在内存中读取: ase.io.read(io.StringIO(standard_xyz_data), format="xyz") 这一步非常高效。io.StringIO 将我们的字符串变量 standard_xyz_data 模拟成一个内存中的文本文件。这样，ase.io.read 就可以直接读取它，而无需先将清洗后的数据写入一个临时文件再读取，节省了磁盘I/O操作。
    • 可视化: 接下来的代码 (nv.show_ase等) 就和最初的设想一样了，因为此时 atoms 对象已经是通过标准、干净的数据成功创建的了。

C7O2H10