ogbg_molpcba

• Açıklama :

'ogbg-molpcba', PubChem BioAssay'den örneklenen moleküler bir veri kümesidir. Open Graph Benchmark'tan (OGB) alınan bir grafik tahmin veri kümesidir.

Bu veri kümesi deneyseldir ve API, gelecekteki sürümlerde değişikliğe tabidir.

Veri kümesinin aşağıdaki açıklaması OGB belgesinden uyarlanmıştır:

Giriş Formatı

Tüm moleküller, RDKit ([1]) kullanılarak önceden işlenir.

• Her grafik, düğümlerin atom olduğu ve kenarların kimyasal bağlar olduğu bir molekülü temsil eder.
• Girdi düğümü özellikleri 9 boyutludur, atom numarası ve kiralitenin yanı sıra resmi yük ve atomun halkada olup olmadığı gibi diğer ek atom özelliklerini içerir.
• Giriş kenarı özellikleri 3 boyutludur, bağ tipini, bağ stereokimyasını ve ayrıca bağın konjuge olup olmadığını gösteren ek bir bağ özelliğini içerir.

Tüm özelliklerin tam açıklaması https://github.com/snap-stanford/ogb/blob/master/ogb/utils/features.py adresinde mevcuttur.

Tahmin

Görev, 128 farklı biyolojik aktiviteyi (aktif/aktif) tahmin etmektir. Bu hedefler hakkında daha fazla açıklama için [2] ve [3]'e bakın. Tüm hedefler her molekül için geçerli değildir: eksik hedefler NaN'ler ile gösterilir.

Referanslar

[1]: Greg Landrum, et al. "RDKit: Açık kaynaklı keminformatik". URL: https://github.com/rdkit/rdkit

[2]: Bharath Ramsundar, Steven Kearnes, Patrick Riley, Dale Webster, David Konerding ve Vijay Pande. "İlaç Keşfi için Devasa Çoklu Görev Ağları". URL: https://arxiv.org/pdf/1502.02072.pdf

[3]: Zhenqin Wu, Bharath Ramsundar, Evan N Feinberg, Joseph Gomes, Caleb Geniesse, Aneesh S. Pappu, Karl Leswing ve Vijay Pande. MoleculeNet: moleküler makine öğrenimi için bir ölçüt. Kimya Bilimi, 9(2):513-530, 2018.

• Ana sayfa : https://ogb.stanford.edu/docs/graphprop

• Kaynak kodu : tfds.datasets.ogbg_molpcba.Builder

• sürümler :

  • 0.1.0 : Deneysel API'nin ilk sürümü.
  • 0.1.1 : Her grafikteki kenar sayısını açıkça gösterir.
  • 0.1.2 : GraphVisualizer için meta veri alanı ekleyin.
  • 0.1.3 (varsayılan): Bireysel görevlerin adları için meta veri alanı ekleyin.

• İndirme boyutu : 37.70 MiB

• Veri kümesi boyutu : 822.53 MiB

• Otomatik önbelleğe alınmış ( belgeleme ): Hayır

• bölmeler :

• Özellik yapısı :

FeaturesDict({
    'edge_feat': Tensor(shape=(None, 3), dtype=float32),
    'edge_index': Tensor(shape=(None, 2), dtype=int64),
    'labels': Tensor(shape=(128,), dtype=float32),
    'node_feat': Tensor(shape=(None, 9), dtype=float32),
    'num_edges': Tensor(shape=(None,), dtype=int64),
    'num_nodes': Tensor(shape=(None,), dtype=int64),
})

• Özellik belgeleri :

• Denetlenen anahtarlar (Bkz as_supervised doc ): None

• Şekil ( tfds.show_examples ):

• Örnekler ( tfds.as_dataframe ):

• Alıntı :

@inproceedings{DBLP:conf/nips/HuFZDRLCL20,
  author    = {Weihua Hu and
               Matthias Fey and
               Marinka Zitnik and
               Yuxiao Dong and
               Hongyu Ren and
               Bowen Liu and
               Michele Catasta and
               Jure Leskovec},
  editor    = {Hugo Larochelle and
               Marc Aurelio Ranzato and
               Raia Hadsell and
               Maria{-}Florina Balcan and
               Hsuan{-}Tien Lin},
  title     = {Open Graph Benchmark: Datasets for Machine Learning on Graphs},
  booktitle = {Advances in Neural Information Processing Systems 33: Annual Conference
               on Neural Information Processing Systems 2020, NeurIPS 2020, December
               6-12, 2020, virtual},
  year      = {2020},
  url       = {https://proceedings.neurips.cc/paper/2020/hash/fb60d411a5c5b72b2e7d3527cfc84fd0-Abstract.html},
  timestamp = {Tue, 19 Jan 2021 15:57:06 +0100},
  biburl    = {https://dblp.org/rec/conf/nips/HuFZDRLCL20.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}