Derify/msr-acc-tae25-regression

MSR-ACC TAE25回归数据集是一个处理过的版本，源自Microsoft Research Accurate Chemistry Collection (MSR-ACC) TAE25数据集，包含使用各种量子化学方法计算得到的分子的热化学数据，具体为总原子化能量（Total Atomization Energies, TAE）。该数据集提供了SMILES表示形式、训练/验证/测试数据集划分，用于机器学习应用。数据集处理流程包括SMILES生成和数据集划分。每个Parquet文件包含分子文件名、分子名称、SMILES字符串、原子符号、原子编号、三维坐标、分子连接信息以及使用不同DFT方法和基组计算的总原子化能量等列。数据集还包括了一些使用注意事项，如缺失值处理、SMILES质量以及测试集的构成。

The MSR-ACC TAE25 Regression Dataset is a processed version of the Microsoft Research Accurate Chemistry Collection (MSR-ACC) TAE25 dataset, containing thermochemical data for molecules with computed Total Atomization Energies (TAE) using various quantum chemical methods. It provides SMILES representations, train/validation/test splits for machine learning applications, and includes data processing pipelines such as SMILES generation and dataset splitting. Each Parquet file contains columns like filename, molecular name, SMILES string, atomic symbols, atomic numbers, 3D coordinates, molecular connectivity information, and Total Atomization Energies computed with different DFT methods and basis sets. Usage notes include handling missing values, SMILES quality, and the composition of the test set.

搜集汇总

数据集介绍

构建方式

该数据集源自Microsoft Research Accurate Chemistry Collection (MSR-ACC) TAE25原始数据，经过系统化处理与重构，形成适用于回归任务的机器学习基准。构建流程涵盖两大核心环节：首先，基于QCSchema JSON格式的分子三维几何与图连通性信息，利用RDKit工具生成规范且包含立体化学信息的SMILES字符串，确保分子表示的可重复性与化学准确性。其次，在数据集划分上，从原始训练集中精心抽取1,510个分子作为测试集，其中包括25个在所有热化学性质上均无缺失值的完整记录，以及1,485个随机样本，同时保留原始验证集划分，从而构建出结构清晰、评价可靠的训练、验证与测试集。

使用方法

此数据集以Parquet格式存储，可通过Python的pandas或polars库高效加载。用户可直接读取包含SMILES、分子几何及目标属性等字段的表格数据，用于训练分子性质预测模型。建议在使用前对缺失值进行策略性处理，例如针对特定方法筛选完整子集或采用掩码回归方法。预定义的训练、验证与测试划分可直接用于模型评估，其中测试集包含完整与不完整记录，支持多种评价策略。研究者在引用时需同时标注原始MSR-ACC论文与Zenodo仓储记录，以尊重数据来源与贡献者权益。

背景与挑战

背景概述

在计算化学与人工智能的交叉领域中，高精度热化学数据的匮乏长期制约着分子性质预测模型的发展。Derify/msr-acc-tae25-regression数据集由微软研究院的Sebastian Ehlert、Jan Hermann等学者于2025年创建，源自微软研究准确化学集合（MSR-ACC），聚焦于分子的总原子化能（TAE）回归任务。该数据集整合了77,000余个分子结构及其采用多种量子化学方法（如B3LYP、CCSD(T)等）计算的热化学性质，旨在为机器学习模型提供标准化、可复现的训练与评估基准。其发布填补了大规模、多方法覆盖的分子能量数据集空白，推动了化学信息学与深度学习在分子性质预测领域的深度融合，对药物设计、材料科学等方向具有重要示范意义。

当前挑战

该数据集面临的核心挑战包括：其一，热化学性质预测的领域难题在于不同量子化学方法（如DFT与CCSD(T)）的计算精度差异极大，模型需在稀疏覆盖的标签空间（大量分子仅部分方法有值）中学习泛化，对多任务学习与缺失值处理提出严苛要求。其二，构建过程中，从三维几何构型生成规范SMILES表示时，需依赖RDKit解析复杂分子拓扑，异构体与手性中心的保真度易引入噪声；测试集从训练集中采样（1,510个分子）的设计虽保障了评估公平性，但可能削弱对化学空间边缘分布的覆盖，导致模型外推能力受限。此外，原始QCSchema数据的解析与图连通性校对增加了预处理复杂度，对数据管线的鲁棒性构成考验。

常用场景

经典使用场景

在量子化学与机器学习交叉领域，MSR-ACC TAE25 Regression数据集作为高精度热化学数据的标准化基准，被广泛用于训练和评估分子性质预测模型。其核心应用聚焦于通过SMILES表征与计算总原子化能（TAE）之间的映射关系，构建回归模型。研究者利用该数据集提供的多种DFT方法（如B3LYP、M06-2X）及高水平CCSD(T)计算结果，结合预设的训练/验证/测试划分，系统性地比较不同架构（如图神经网络、Transformer）在稀疏数据场景下的泛化能力，尤其针对含缺失值的多任务学习挑战。

解决学术问题

该数据集有效解决了计算化学中高精度热化学数据稀缺且覆盖不全的学术难题。传统上，CCSD(T)等波函数方法虽精度卓越，但计算成本极高，难以大规模应用。MSR-ACC TAE25通过汇集77k余种分子的多层级TAE值，为数据驱动的替代模型提供了丰富训练样本，推动了利用机器学习逼近第一性原理精度的研究范式。它尤其助力于探索稀疏标注下的迁移学习策略，以及多输出回归中异质性噪声的处理方法，从而显著加速化学空间内热化学性质的快速筛选与预测。

实际应用

在实际应用中，该数据集为药物发现、催化剂设计及能源材料开发等领域的虚拟筛选流程注入了强大动力。通过训练高精度的TAE预测模型，研究人员得以在无需昂贵量子化学计算的情况下，快速评估大量候选分子的热稳定性与反应活性。例如，在有机光电材料设计中，基于该数据集的模型可高效预测聚合物的分解能垒；在均相催化领域，则能辅助筛选具有适宜配位强度的金属配合物，从而大幅缩减实验试错周期与成本。

数据集最近研究

最新研究方向

当前，计算化学与机器学习深度融合的前沿趋势催生了对高质量、大规模量子化学基准数据的迫切需求。Derify/msr-acc-tae25-regression数据集正是在这一背景下应运而生，它源自微软研究院的MSR-ACC TAE25集合，通过系统化的SMILES生成与数据划分流程，将超过7.7万条涵盖多种DFT方法与高精度CCSD(T)计算的总原子化能数据转化为可直接用于回归任务的标准化格式。该数据集精准回应了化学空间探索中模型泛化性与可复现性的核心挑战，其包含的稀疏覆盖特性与完整的训练-验证-测试拆分策略，为开发能够预测复杂热化学性质的图神经网络与Transformer架构提供了严苛的评估基准。近期研究已围绕该数据集展开对多任务学习与缺失值处理方法的深入探讨，其发布不仅加速了从第一性原理到机器学习势函数的技术转化，更在推动药物发现与催化设计领域实现高效、低成本的高通量筛选方面具有里程碑式的意义。