Uni-Mol2训练数据集详细参数表
| 数据集类别 | 数据集名称 | 规模/数量 | 数据来源 | 核心内容/性质 | 用途 | 对应文档段落标记 |
|---|---|---|---|---|---|---|
| 预训练数据集 | Uni-Mol2 Dataset | 约8.84亿个3D分子构象；含73,725,454个分子骨架（Scaffold） | 1. Uni-Mol原有数据集（1900万分子）；2. ZINC20数据库标准反应性子集 | 涵盖多样化分子结构，包含原子特征、键特征、3D坐标等信息 | 用于Uni-Mol2模型预训练，学习分子结构与性质的通用表征 | 、、、 |
| 预训练验证集 | Uni-Mol2预训练验证集 | 52万个分子 | 从Uni-Mol2 Dataset中随机采样 | 与Uni-Mol2 Dataset结构一致，包含完整分子特征与3D构象 | 评估预训练模型效果，探究验证损失与模型规模、数据集规模、计算资源的缩放定律 | |
| 下游任务数据集 | QM9 Dataset | 13.4万个稳定有机分子（每个分子最多含9个重原子） | 量子化学公开数据集（文献[41,42]） | 含几何、能量、电子、热力学性质，核心性质包括：HOMO、LUMO、能隙（GAP）、极化率（alpha）、热容（Cv）、偶极矩（mu）、电子空间范围（R²）、零点振动能（ZPVE） | 评估模型在分子量子化学性质预测任务中的性能，验证模型缩放效果 | 、 |
| 下游任务数据集 | QM9衍生子集（train50） | QM9训练集的50%样本（按HOMO-LUMO GAP标签分位数分层采样） | QM9 Dataset训练集 | 与QM9 Dataset核心性质一致，仅样本量为原训练集的50% | 模拟“有限标注数据”场景，评估模型在数据稀缺时的预测能力 | 、 |
| 下游任务数据集 | QM9衍生子集（train100） | QM9训练集的100%样本（按HOMO-LUMO GAP标签分位数分层采样） | QM9 Dataset训练集 | 与QM9 Dataset核心性质一致，样本量为原训练集的100% | 模拟“有限标注数据”场景，评估模型在数据稀缺时的预测能力 | 、 |
| 下游任务数据集 | QM9衍生子集（train200） | QM9训练集的200%样本（按HOMO-LUMO GAP标签分位数分层采样） | QM9 Dataset训练集 | 与QM9 Dataset核心性质一致，样本量为原训练集的200% | 模拟“有限标注数据”场景，评估模型在数据稀缺时的预测能力 | 、 |
| 下游任务数据集 | COMPAS-1D Dataset | 8678个多环芳烃（PAHs）分子 | COMPAS项目公开数据集（文献[43]） | 含有机光电材料关键性质，核心性质包括：绝热电子亲和能（aEA）、绝热电离势（aIP）、色散力（dispersion）、偶极矩（Dipmom Debye） | 验证模型在有机光电材料相关性质预测中的泛化能力 | 、 |
Uni-Mol2相关数据集及资源链接汇总表
| 类别 | 数据集/资源名称 | 链接 | 用途说明 | 来源摘要编号 |
|---|
一、预训练数据集相关
预训练基础数据 | Uni-Mol1
预训练配体数据（ligands.tar.gz） |
https://bioos-hermite-beijing.tos-cn-beijing.volces.com/unimol_data/pre_train/ligands.tar.gz
| Uni-Mol2 可复用的基础预训练数据，含分子3D构象信息 | 1 |
预训练扩展数据 | ZINC20 数据集文献参考（Uni-Mol2 用到） | https://pubs.acs.org/doi/10.1021/acs.jcim.0c00675 | Uni-Mol2 预训练数据的核心来源之一（约1TB规模），需通过文献指引获取数据集 | 1 |
数据加载代码 | Uni-Mol2 数据集加载代码（load_dataset） | https://github.com/deepmodeling/uni-mol/blob/main/unimol2/unimol2/tasks/unimol2.py | 适配Uni-Mol2数据集格式的核心代码，用于数据读取与预处理 | 1 |
项目基础代码 | Uni-Mol 项目主页（含基础数据入口） | https://github.com/deepmodeling/Uni-Mol | 获取Uni-Mol系列（含Uni-Mol2）基础数据、预训练权重的核心入口 | 1、4 |
预训练扩展数据 | ZINC20 数据集文献参考（Uni-Mol2 用到） | https://pubs.acs.org/doi/10.1021/acs.jcim.0c00675 | Uni-Mol2 预训练数据的核心来源之一（约1TB规模），需通过文献指引获取数据集 | 1 |
数据加载代码 | Uni-Mol2 数据集加载代码（load_dataset） | https://github.com/deepmodeling/uni-mol/blob/main/unimol2/unimol2/tasks/unimol2.py | 适配Uni-Mol2数据集格式的核心代码，用于数据读取与预处理 | 1 |
项目基础代码 | Uni-Mol 项目主页（含基础数据入口） | https://github.com/deepmodeling/Uni-Mol | 获取Uni-Mol系列（含Uni-Mol2）基础数据、预训练权重的核心入口 | 1、4 |
二、下游任务数据集（QM9及衍生）
QM9 原始数据 | QM9 分子结构数据（gdb9.tar.gz） |
https://deepchemdata.s3-us-west-1.amazonaws.com/datasets/gdb9.tar.gz |
含13.4万有机分子3D结构，用于量子化学性质预测任务 | 3 |
QM9 性质数据 | QM9 性质表格（qm9.csv） | https://deepchemdata.s3-us-west-1.amazonaws.com/datasets/qm9.csv | 对应QM9分子的热力学、电子性质标签（如HOMO、LUMO、偶极矩等） | 3 |
QM9 加载代码 | deepchem QM9 数据集加载脚本 | https://github.com/deepchem/deepchem/blob/master/deepchem/molnet/load_function/qm9_datasets.py | 第三方（deepchem）实现的QM9数据加载代码，可辅助数据预处理 | 3 |
QM9 修正数据集 | curatedQM9 项目页（含13.3万修正分子） | https://moldis-group.github.io/curatedQM9/ | 修正QM9中“未表征”分子的3D构象，含133660个有效分子，提供XYZ格式文件 | 6 |
QM9 性质数据 | QM9 性质表格（qm9.csv） | https://deepchemdata.s3-us-west-1.amazonaws.com/datasets/qm9.csv | 对应QM9分子的热力学、电子性质标签（如HOMO、LUMO、偶极矩等） | 3 |
QM9 加载代码 | deepchem QM9 数据集加载脚本 | https://github.com/deepchem/deepchem/blob/master/deepchem/molnet/load_function/qm9_datasets.py | 第三方（deepchem）实现的QM9数据加载代码，可辅助数据预处理 | 3 |
QM9 修正数据集 | curatedQM9 项目页（含13.3万修正分子） | https://moldis-group.github.io/curatedQM9/ | 修正QM9中“未表征”分子的3D构象，含133660个有效分子，提供XYZ格式文件 | 6 |
三、Uni-Mol Docking V2 相关（衍生任务）
对接任务训练数据 | Uni-Mol Docking V2 训练数据集
| https://zenodo.org/records/11191555 |
用于配体-蛋白结合构象预测任务的训练/验证/测试数据 | 4 |
对接模型权重 | Uni-Mol Docking V2 预训练权重 | https://www.dropbox.com/scl/fi/sfhrtx1tjprce18wbvmdr/unimol_docking_v2_240517.pt?rlkey=5zg7bh150kcinalrqdhzmyyoo&st=n6j0nt6c&dl=0 | 预训练完成的对接模型权重，可直接用于推理或微调 | 4 |
小分子预训练权重 | Uni-Mol 小分子基础预训练权重 | https://github.com/deepmodeling/Uni-Mol/releases/download/v0.1/mol_pre_no_h_220816.pt | Uni-Mol Docking V2 依赖的小分子编码器预训练权重 | 4 |
蛋白口袋预训练权重 | Uni-Mol 蛋白口袋基础预训练权重 | https://github.com/deepmodeling/Uni-Mol/releases/download/v0.1/pocket_pre_220816.pt | Uni-Mol Docking V2 依赖的蛋白口袋编码器预训练权重 | 4 |
对接微调数据集 | 蛋白-配体结合构象预测微调数据 | https://bioos-hermite-beijing.tos-cn-beijing.volces.com/unimol_data/finetune/protein_ligand_binding_pose_prediction.tar.gz | 用于微调对接模型的LMDB格式数据集（含训练/验证/测试集） | 4 |
对接模型项目页 | Uni-Mol Docking V2 代码与数据入口 | https://github.com/dptech-corp/uni-mol | 获取对接模型完整代码、数据集更新及技术文档 | 5 |
对接在线服务 | Uni-Mol Docking V2 在线推理工具 | https://bohrium.dptech.com/apps/unimol_docking_v2 | 无需本地部署，直接在线使用对接模型进行结合构象预测 | 5 |
对接模型权重 | Uni-Mol Docking V2 预训练权重 | https://www.dropbox.com/scl/fi/sfhrtx1tjprce18wbvmdr/unimol_docking_v2_240517.pt?rlkey=5zg7bh150kcinalrqdhzmyyoo&st=n6j0nt6c&dl=0 | 预训练完成的对接模型权重，可直接用于推理或微调 | 4 |
小分子预训练权重 | Uni-Mol 小分子基础预训练权重 | https://github.com/deepmodeling/Uni-Mol/releases/download/v0.1/mol_pre_no_h_220816.pt | Uni-Mol Docking V2 依赖的小分子编码器预训练权重 | 4 |
蛋白口袋预训练权重 | Uni-Mol 蛋白口袋基础预训练权重 | https://github.com/deepmodeling/Uni-Mol/releases/download/v0.1/pocket_pre_220816.pt | Uni-Mol Docking V2 依赖的蛋白口袋编码器预训练权重 | 4 |
对接微调数据集 | 蛋白-配体结合构象预测微调数据 | https://bioos-hermite-beijing.tos-cn-beijing.volces.com/unimol_data/finetune/protein_ligand_binding_pose_prediction.tar.gz | 用于微调对接模型的LMDB格式数据集（含训练/验证/测试集） | 4 |
对接模型项目页 | Uni-Mol Docking V2 代码与数据入口 | https://github.com/dptech-corp/uni-mol | 获取对接模型完整代码、数据集更新及技术文档 | 5 |
对接在线服务 | Uni-Mol Docking V2 在线推理工具 | https://bohrium.dptech.com/apps/unimol_docking_v2 | 无需本地部署，直接在线使用对接模型进行结合构象预测 | 5 |
四、论文及核心参考
Uni-Mol2 论文 | Uni-Mol2 官方论文（arXiv） |
https://arxiv.org/abs/2406.14969v1 | Uni-Mol2
模型设计、数据集构建及实验结果的核心参考 | 2 |