ogbg_molpcba

• תיאור:

'ogbg-molpcba' הוא מאגר נתונים מולקולרי שנדגם מ- PubChem BioAssay. זהו מאגר נתונים לחיזוי גרפים מהמדד Open Graph Benchmark (OGB).

מערך נתונים זה הוא ניסיוני, וממשק ה- API כפוף לשינויים במהדורות עתידיות.

התיאור שלהלן של מערך הנתונים מותאם מנייר ה- OGB:

פורמט הכנסה

כל המולקולות מעובדות מראש באמצעות RDKit ([1]).

• כל גרף מייצג מולקולה, שבה הצמתים הם אטומים, והקצוות הם קשרים כימיים.
• תכונות צומת הקלט הן 9-ממדיות, המכילות מספר אטומי וכיראליות, כמו גם תכונות אטום נוספות כגון מטען פורמלי והאם האטום נמצא בזירה.
• תכונות קצה הקלט הן תלת מימדיות, המכילות סוג קשר, סטריאוכימיה של קשרים, כמו גם תכונת קשר נוספת המציינת אם הקשר מצומד.

התיאור המדויק של כל התכונות זמין בכתובת https://github.com/snap-stanford/ogb/blob/master/ogb/utils/features.py

נְבוּאָה

המשימה היא לחזות 128 פעילויות ביולוגיות שונות (לא פעילות/פעילות). עיין [2] ו- [3] לתיאור נוסף אודות מטרות אלה. לא כל המטרות חלות על כל מולקולה: מטרות חסרות מסומנות על ידי NaNs.

הפניות

[1]: גרג לנדרום ואחרים. 'RDKit: כימינפורמטיקה של קוד פתוח'. כתובת האתר: https://github.com/rdkit/rdkit

[2]: בהארת 'רמסונדאר, סטיבן קארנס, פטריק ריילי, דייל וובסטר, דיוויד קונרדינג וויג'יי פנדה. 'רשתות ריבוי משימות לגילוי סמים'. כתובת האתר: https://arxiv.org/pdf/1502.02072.pdf

[3]: Zhenqin Wu, Bharath Ramsundar, Evan N Feinberg, Joseph Gomes, Caleb Geniesse, Aneesh S. Pappu, Karl Leswing ו- Vijay Pande. MoleculeNet: אמת מידה ללמידת מכונות מולקולריות. מדעי הכימיה, 9 (2): 513-530, 2018.

• דף הבית: https://ogb.stanford.edu/docs/graphprop

• קוד מקור: tfds.graphs.ogbg_molpcba.OgbgMolpcba

• גרסאות:

  • 0.1.0 : גרסה ראשונית של ממשק API ניסיוני.
  • 0.1.1 : חושף את מספר הקצוות בכל גרף במפורש.
  • 0.1.2 : הוספת שדה metadata עבור GraphVisualizer.
  • 0.1.3 (ברירת המחדל) nights_stay : הוספת שדה metadata עבור שמות של משימות בודדות.

• גודל ההורדה: 37.70 MiB

• מערך נתונים גודל: 822.53 MiB

• Auto-במטמון ( תיעוד ): אין

• פיצולים:

• מאפיינים:

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

• מפתחות השגחה (ראה as_supervised doc ): None

• איור ( tfds.show_examples ):

• דוגמאות ( tfds.as_dataframe ):

• ציטוט:

@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}
}