pxr-challenge-train-test
קוד פתוחopenadmetcc-by-4.02026-03-16
מאגר נסיוני של מעל 11,000 מולקולות שמיועד לחיזוי שפעול הקולטן PXR. זה המקור הציבורי הגדול מסוגו כרגע, והוא מגיע מבדיקות מעבדה ישירות שנבנו במיוחד לאתגר תחרותי.
- 1,393הורדות בחודש
- 17לייקים
מה זה
המאגר מרכז מדידות של פעילות כימית מול קולטן PXR אנושי, נתון מרכזי בהבנת מטבוליזם ורעילות של תרופות. הרשומות מבוססות על מבחני מעבדה פנימיים וכוללות ערכים כמותיים כמו pEC50, Emax, ושינויי ביטוי בריכוז בודד. המידע מיוצג בטבלאות עם מחרוזות מבנה כימי מסוג SMILES, ומחולק לכמה תצורות שונות לפי שיטת המדידה וסוג החומרים שנבדקו.
המבנה מורכב מכמה סטים שנוצרו עבור תחרות פתוחה. ברירת המחדל מכילה סט אימון ראשי לצד סט מבחן עיוור של 513 מולקולות, שחלק מתוצאותיו נחשפו בשלבים מאוחרים יותר. בנוסף ישנם סטים של בדיקות ביקורת ללא הקולטן, סקר של תערובות גולמיות מכימיה מהירה, וסט מבחן קטן של 184 מולקולות עם מבנה גבישי מבוסס רנטגן.
מתאים ל
- חיזוי תגובת PXR לתרופות
אימון מודלי רגרסיה מולקולריים לחיזוי ערכי pEC50 ו־Emax ישירות ממבנה כימי.
- סינון מולקולות בשלבים מוקדמים
דירוג מועמדים תרופתיים על בסיס פוטנציאל אינטראקציה לא רצויה עם מטבוליזם כבדי.
- בנצ'מרק למודלי שפות למולקולות
בדיקת ביצועי ייצוגים כימיים מבוססי מבנה על גבי סט המבחן שנחשף בתחרות.
איפה זה נופל
הנתונים עברו כמה סבבי תיקונים אחרי הפרסום הראשוני, כולל הסרת מולקולות, עדכון שגיאות במבני SMILES ותיקוני רווחי סמך. אם אתם עובדים על תערובות גולמיות או נתוני סקר בריכוז בודד, המדידות הרבה פחות מדויקות מהאימון הראשי. מעבר לכך, מדובר במשימת רגרסיה מולקולרית באנגלית ובפורמטים כימיים, בלי שום קשר לטקסט חופשי או למערכות קליניות רחבות.
שאלות
נפוצות
האם מותר להשתמש בדאטהסט לפיתוח מודל מסחרי?
כן. רישיון CC BY 4.0 מאפשר שימוש מסחרי מלא, כולל אימון מודלים קנייניים ומכירת תוצרים. החובה היחידה היא מתן קרדיט מתאים ליוצרים בתיעוד.
האם יש במאגר טקסט בעברית?
לא. הנתונים הם טבלאות כימיות טהורות המכילות מזהים, מחרוזות מבנה כימי באנגלית ומספרים. שפת המאגר המוגדרת היא אנגלית בלבד.
איך נאספו הנתונים במקור?
המידע מגיע מניסויי מעבדה ייעודיים שביצע צוות הפרויקט לבדיקת שפעול הקולטן על מעל 11,000 מולקולות. המדידות כוללות גם בדיקות אימות במערכות ללא PXR כדי לוודא שהאות שנמדד אמין ולא נובע מרעש.
האם קובצי ה־CSV עודכנו מאז הפרסום הראשון?
כן, המאגר עבר תיקוני שגיאות ידניים במבנים של עשר מולקולות וחלק מתוצאות המבחן נחשפו בהדרגה. חובה לוודא שאתם מושכים את הגרסה האחרונה לפני שמתחילים עיבוד.
איך טוענים
טוענים את המידע ישירות בעזרת ספריית datasets או כקובצי CSV עם פנדס. אין צורך באישור גישה מיוחד, המאגר פתוח להורדה מיידית וכולל 196 קבצים. לפני שרצים לאמן, צריך לבחור את הקונפיגורציה המתאימה כי הטבלאות שונות לחלוטין. קובץ האימון הראשי מכיל את מזהי המולקולות, מבני ה־SMILES ומדדי הפעילות, בעוד שאר הקבצים מכילים נתוני רקע ובקרות שלא מתאימים לכל ארכיטקטורה.
from datasets import load_dataset
ds = load_dataset("openadmet/pxr-challenge-train-test")הרישיון
המאגר מופץ תחת רישיון CC BY 4.0 שמתיר שימוש מסחרי ומחקרי מלא. מותר לעבד את המידע, לשתף אותו ולאמן עליו מודלים, בתנאי שנותנים קרדיט מלא ליוצרים ומציינים אם בוצעו שינויים בקבצים. אין דרישה לשתף את המודל המאומן תחת אותו רישיון.
- שימוש מסחרי
- שינוי הקוד
- חובת ייחוס