信息速览
INFOBOX — QMugs 一屏速览
维度 内容 本质 面向类药物大分子的第一性原理量子力学性质数据集合（数据描述型论文，非挑战赛、非基准竞赛） 团队 ETH Zurich 化学与应用生物科学系 RETHINK 组（非 EPFL、非 Berend Smit、非 Columbia——候选情报已证伪） 作者 Clemens Isert、Kenneth Atz（共同一作）、José Jiménez-Luna、Gisbert Schneider（后二者通讯） 论文 Sci Data 9, 273 (2022)；doi:10.1038/s41597-022-01390-7；预印本 arXiv:2107.00367 分子数 665,911（unique compounds，源自 ChEMBL） 构象数 1,992,984（~2.0 M；每分子 3 构象） 数据量 未压缩 > 7 TB 分子规模 重原子最大 100、均值 30.6（显著大于 QM9 的 max 9） 理论级别 GFN2-xTB（几何优化）+ DFT ωB97X-D/def2-SVP（性质/波函数） 提供内容 部分电荷、能量、转动常数、热力学分量，DFT 密度与轨道矩阵（波函数） 软件 Psi4 计算单点性质与波函数 独特性 约 641k（96.3%） 分子此前未见于其他 DFT 数据集合 许可 论文 CC BY 4.0；数据集本体经 ETH Research Collection（许可以官方页为准） 定位 支持 Δ-learning、跨理论级别机器学习、构象感知的 QML 模型
§0 导读：这个数据集解决什么问题
量子机器学习（Quantum Machine Learning, QML）在过去十余年逐步成为计算化学、材料科学与药物发现的重要工具。它的核心诉求是：用相对廉价的模型去逼近昂贵的量子化学计算，从而预测原子体系的能量、力、偶极矩、波函数与电子密度等支配性物理量。然而 QML 的发展长期被一个瓶颈卡住——缺少足够大规模、足够全面、经过整理的训练数据。
早期的里程碑数据集如 QM9（约 13.4 万个小分子，最多 9 个重原子）与 ANI-1（约 5.7 万个分子、2200 万个构象）为当代 QML 方法铺平了道路。但它们的生成成本极高，导致两个天花板：一是化学空间探索范围受限（分子太小、原子类型太少），二是建模适用性受限（难以直接迁移到真正有药理意义的分子）。
与此同时，「Δ-learning（delta-learning，差分学习）」思潮兴起：先用廉价的半经验方法（如 GFN2-xTB、PM6）算一遍，再用机器学习模型去预测它与高精度 DFT 结果之间的差值。这样既能逼近 DFT 精度，又能大幅压低算力成本。但同时能在多个理论级别上提供对应真值的数据集极其稀缺，这恰恰是 Δ-learning 的燃料。
QMugs 正是为填补这一空白而生。它从 ChEMBL 数据库中提取了 665,911 个 具有生物/药理相关性的类药物分子，为每个分子生成并优化 3 个构象，共 1,992,984 个构象；在 GFN2-xTB（半经验，负责几何优化与热力学）与 DFT ωB97X-D/def2-SVP（负责高精度性质与波函数）两个理论级别上，计算了从部分电荷、能量、转动常数到完整量子力学波函数（DFT 密度矩阵与轨道矩阵）的丰富性质，未压缩总量逾 7 TB。
一句话：QMugs 把「类药物大分子」与「第一性原理量化信息」首次大规模地接上了线。它让研究者可以在同一个分子上同时拿到廉价与昂贵两级理论的结果，从而训练跨级别的模型、研究分子结构与生物活性之间的关系，并把 QML 的应用边界从「8 个重原子以内的小分子」推向「平均 30.6 个重原子、最多 100 个重原子的真实药物样分子」。
本条目依据一手来源（Scientific Data 论文、arXiv 预印本、PMC 全文、ETH Research Collection、openqdc 文档）三源互证写成，对候选情报中的机构归属错误（EPFL / Berend Smit / Columbia）作了专门证伪，并逐条存照了双口径冲突与遗留疑点。
0.1 为什么「第一性原理」这三个字很贵
要理解 QMugs 的分量，先要理解量子化学计算的代价结构。计算一个分子性质的精度，取决于所用的理论方法：
- 分子力场（classical force field）：最便宜，毫秒级算一个分子，但精度有限，无法描述电子结构。
- 半经验方法（semi-empirical，如 GFN2-xTB、PM6）：中等成本，能在秒到分钟级给出几何优化与近似电子性质，但精度低于第一性原理。
- 密度泛函理论（DFT）：第一性原理方法之一，能给出高精度电子结构、波函数与密度，但单个中等大小分子的单点计算就可能需要数分钟到数小时，几何优化则更贵。
- 后 HF 方法（如 CCSD(T)）：金标准精度，但成本高到只适用于极小体系。
精度每上一个台阶，成本往往跃升一到两个数量级。因此，要为数十万个类药物大分子配上 DFT 级别的性质乃至波函数，需要的是大规模 HPC 集群与巨量存储——这正是本文致谢中专门感谢 ETH 集群团队的原因。
QMugs 做的事，本质上是用一次昂贵的大规模计算，换来一份可被无数次廉价复用的数据资产。这正是「AI-Ready」数据集的核心经济逻辑：训练一次值千金，之后人人都能站在它肩上。
0.2 QMugs 要解决的三个具体痛点
- 化学空间太小：QM9 等前作限于 8-9 个重原子的小分子，而真实药物分子往往 20-50 个重原子，模型在 QM9 上学到的东西迁移到药物样分子上会「水土不服」。QMugs 用平均 30.6、最大 100 重原子的分子直接对齐药物空间。
- 单构象失真：很多数据集每分子只有一个几何构象，而真实分子的性质是构象系综的加权结果。QMugs 每分子 3 构象，让模型能学习构象效应。
- 信息层级单一：多数数据集只给标量性质（能量、偶极矩），不给电子结构的完整表示。QMugs 提供 DFT 密度矩阵与轨道矩阵，把「信息完备度」推到波函数层面。
0.3 本条目怎么读
- 只想快速了解 → 看上面的 INFOBOX 一屏速览与 §1 十问十答。
- 关心规格数字 → §2 数据构成、§4 与前作比较。
- 关心怎么用 → §3 计算流水线、§5 应用场景、§6 获取与许可。
- 关心避坑 → §10 避坑清单、§9 消歧说明。
- 想直接引用 → §11 后的事实清单（硬事实 30 条）。
- 关心核验过程与双口径 → FACTS.md 与本条目 §9 存照。
0.4 给非量子化学背景读者的最小科普
如果你来自机器学习/数据科学背景、对量子化学不熟，以下五个概念足以支撑阅读本条目：
- 分子几何与构象：分子不是平面图，而是三维立体；同一条键线式可以对应多种三维形状（构象）。性质往往依赖具体构象。
- 理论级别：算一个分子的性质有很多「档位」。档位越高越准也越贵。半经验方法（如 GFN2-xTB）是廉价档，DFT 是昂贵档，二者常被配对。
- 能量与热力学：QMugs 给出分子在特定几何下的能量，以及振动/转动/平动的热力学贡献。
- 波函数与密度矩阵：电子的量子态用波函数描述；在计算中常展开为矩阵（密度矩阵、轨道矩阵）。QMugs 提供这些矩阵，是「信息最深」的一层。
- Δ-learning 为什么有用：如果两个档位算出的结果相差不大，那「差值」就容易学。用廉价档先算，再用模型补差值，就能低成本逼近昂贵档。
理解了这五点，本条目后续关于 GFN2-xTB、ωB97X-D/def2-SVP、波函数、Δ-learning 的讨论都能顺畅阅读。
§1 数据集速览：十问十答
Q1：QMugs 是什么？
QMugs（全称 Quantum-Mechanical Properties of Drug-like Molecules，类药物分子量子力学性质）是一个开放获取的量子化学性质数据集合，由 ETH Zurich 团队发布，收录从 ChEMBL 提取的 665,911 个类药物分子及其 1,992,984 个构象的 GFN2-xTB 与 DFT 两级理论计算结果。
Q2：谁做的？
ETH Zurich 化学与应用生物科学系 RETHINK 组。作者为 Clemens Isert、Kenneth Atz、José Jiménez-Luna、Gisbert Schneider；后两位为通讯作者。注意：候选情报中的「EPFL」「Berend Smit 组」「Columbia」均属误传，已由一手来源证伪。
Q3：什么时候发布的？
预印本 arXiv:2107.00367 于 2021 年 7 月上线；正式论文 Scientific Data 9, 273 于 2022 年 6 月 7 日 发表（2021-08-15 投稿，2022-05-17 接收）。
Q4：规模多大？
665,911 个分子、1,992,984 个构象、未压缩逾 7 TB。重原子最大 100 个、平均 30.6 个。
Q5：分子从哪来？
全部源自 ChEMBL 数据库，即具有生物/药理相关性的类药物分子（drug-like molecules），而非随意采样的化学空间。
Q6：算了哪些性质？
在 GFN2-xTB 与 DFT（ωB97X-D/def2-SVP） 两个级别上提供原子/分子性质：部分电荷（partial charges）、能量（energies）、转动常数（rotational constants）、热力学数据（振动/转动/平动分量），以及量子力学波函数——以原子轨道局域基表示的 DFT 密度矩阵与轨道矩阵。
Q7：和 QM9、ANI-1 有什么不同？
三重差异：① 分子更大更类药物（QMugs 重原子均值 30.6 vs QM9 的 8.8）；② 提供多构象（每分子 3 个），让模型能区分「分子组成」与「构象」；③ 明确跨两个理论级别，直接为 Δ-learning 服务；④ 独有波函数（密度/轨道矩阵）。
Q8：怎么获取？
经 ETH Research Collection 发布（handle 20.500.11850/482129 与 …/552625），通过 libdrive.ethz.ch 分享页提供 summary.csv 与 structures.tar.gz。数据集本体无 Research Collection 之外的一键直链，且体量巨大。
Q9：许可是什么？
论文为 CC BY 4.0（Creative Commons Attribution 4.0 International）。数据集本体的许可标注须以 ETH Research Collection 官方页为准——本次核验中该页正文抓取未成功，检索者应自行以一手来源确认。
Q10：拿它来做什么？
训练跨理论级别的 QML 模型、做 Δ-learning、构建构象感知的性质预测模型、研究分子结构与生物活性关系，以及为分子生成/构象生成模型提供量化监督信号。
1.1 一分钟把握 QMugs 的三个关键词
如果只能用三个词概括 QMugs，那就是**「大」「级」「全」**：
- 大（Scale）：665,911 个分子、1,992,984 个构象、> 7 TB 未压缩数据——不只是数量，更是分子尺寸之大（平均 30.6 重原子）。
- 级（Levels）：两个理论级别并列（GFN2-xTB 半经验 + DFT ωB97X-D/def2-SVP），这是 Δ-learning 的前提。
- 全（Completeness）：不止标量性质，还给出波函数（DFT 密度矩阵与轨道矩阵），信息层级最深。
1.2 与其他数据集的「一句话区分」
| 你熟悉的数据集 | 与 QMugs 的一句话区分 |
|---|---|
| QM9 | 「QM9 是小分子的量化入门集，QMugs 是类药物大分子的进阶集」 |
| ANI-1 | 「ANI-1 主打力/势能面的海量构象，QMugs 主打大分子 + 波函数」 |
| PubChemQC | 「PubChemQC 靠分子数取胜，QMugs 靠分子大小 + 多构象 + 波函数取胜」 |
| MoleculeNet | 「MoleculeNet 给实验真值，QMugs 给计算真值」 |
| ChEMBL | 「ChEMBL 是 QMugs 的分子来源，给的是生物活性而非量化性质」 |
1.3 一句话记住 QMugs 的「四合一」
QMugs = 类药物大分子 + 双理论级别 + 多构象 + 波函数。 这四个条件，此前没有任何一个大规模数据集同时满足。
1.4 快速决策树
面对「要不要用 QMugs」这个问题，可以按下面的顺序自问：
- 我的任务需要量子化学性质吗？
- 不需要（如纯文本/图像任务）→ 不用看 QMugs。
- 需要 → 继续。
- 我需要的分子是类药物大小（十几到上百重原子）吗？
- 是 → QMugs 很合适。
- 否，只要小分子（≤9 重原子）→ 考虑 QM9(105)。
- 我需要 Δ-learning 或波函数吗？
- 需要 → QMugs 是少数选择之一。
- 不需要，只要标量性质 → QMugs 也能用，但可能「大材小用」。
- 我有足够存储/算力吗（> 7 TB 量级）？
- 有 → 可直接使用。
- 没有 → 考虑只取子集，或用 OpenQDC 的流式/子集接口。
- 我需要实验真值吗？
- 需要 → 转向 MoleculeNet(113)。
- 不需要（接受计算真值）→ QMugs 合适。
1.5 常见误解速答
- 误解：「QMugs 是最大的分子数据集。」
正解：不是。按分子数算 PubChemQC 更大（近 400 万）。QMugs 的卖点是分子尺寸、多构象、多级别与波函数。 - 误解：「QMugs 能替代 QM9。」
正解：定位互补。QM9 是小分子基准的「通用语言」，QMugs 是类药物大分子的进阶资源，二者常被并用而非替代。 - 误解：「QMugs 有官方的分子性质排行榜。」
正解：没有。它是数据描述型数据集，无竞赛/榜单。 - 误解：「QMugs 可以一键下载。」
正解：需经 ETH 分享页，且体量巨大，谈不上「一键」。
1.6 本条目的一句话价值主张
若你需要「类药物大分子 + 量子化学真值」，QMugs 是目前少数几个可以同时提供「大规模、多理论级别、多构象、含波函数」的选择之一——代价是 > 7 TB 的体量与需自行确认的数据许可。 理解这组「得」与「失」，就抓住了 QMugs 的全部要义。
§2 数据构成与规格
2.1 规模、来源与机构构成
QMugs 的核心规格可以用一张表概括（数据出自 Scientific Data 论文 Table 1 与正文）：
| 指标 | QMugs | 说明 |
|---|---|---|
| 唯一分子数（unique compounds） | 665,911 | 论文正文概数表述为「more than 665k」 |
| 构象总数（total conformations） | 1,992,984 | 论文概数表述为「~2 M」 |
| 每分子构象数 | 3 | 先生成 3 个构象，再用 GFN2-xTB 优化几何 |
| 重原子最大数 | 100 | max heavy atoms |
| 重原子均值 | 30.6 | 按构象数加权 |
| 未压缩数据量 | > 7 TB | over 7 terabytes of uncompressed data |
| 分子来源 | ChEMBL | 生物/药理相关分子 |
| 其他 DFT 集合未收录者 | ~641k（96.3%） | previously unreported in other DFT collections |
| 计算软件 | Psi4 | 计算单点性质与波函数 |
一个值得注意的双口径现象：论文摘要在摘要/正文用概数（「more than 665k」「~2 M」），而 Table 1 给出精确值 665,911 与 1,992,984。本条目一律以精确值为主、概数为辅，检索者在引用时应留意两个口径并存。
分子来源的单一性既是 QMugs 的优势也是其边界。优势在于：ChEMBL 收录的分子天然具有生物/药理相关性，是真正的「类药物」而非任意化学空间采样，这让 QMugs 与药物发现场景直接对齐。边界在于：化学多样性受 ChEMBL 收录规则约束，分子分布偏向已被研究过的化学空间，对全新骨架的覆盖可能不足。
2.2 生成流程与理论级别
QMugs 的构造是一条清晰的三段式流水线：
- 分子提取与构象生成：从 ChEMBL 提取 665,911 个分子，为每个分子生成 3 个构象。
- 几何优化（半经验级）：用 GFN2-xTB（一种现代半经验紧束缚方法）优化每个构象的几何，并得到热力学数据。
- 单点性质与波函数（DFT 级）：在优化后的几何上，用 Psi4 软件套件以 DFT ωB97X-D 泛函 + def2-SVP Karlsruhe 基组 计算原子与分子性质，以及波函数。
这种「半经验优化 + DFT 单点」的分工正是 Δ-learning 场景的经典设定：廉价级别给出几何与近似性质，昂贵级别给出高精度真值，两者之差即为 Δ-learning 的学习目标。QMugs 明确标注了哪些性质支持 Δ-machine learning（论文 Table 2 以 ◆ 标记）。
2.3 提供的性质清单
QMugs 在 两个理论级别 上都提供以下类别的性质（存于 SDF 文件中）：
- 原子级性质：如部分电荷（partial charges）。
- 分子级性质：如能量（energies）、转动常数（rotational constants）。
- 热力学数据：振动（vibrational）、转动（rotational）、平动（translational）分量。
- 波函数：以原子轨道局域基（local bases of atomic orbitals）表示的 DFT 密度矩阵（density matrices）与轨道矩阵（orbital matrices）。
其中波函数是 QMugs 区别于多数分子性质数据集的关键资产——它是「第一性原理」信息的最完整形态，可直接支撑电子密度预测、波函数学习等前沿 QML 方向。论文同时指出 QMugs 通过 Psi4 为数据库中约 200 万个构象计算了单点性质与波函数。
2.4 分子规模：为什么「更大」如此重要
论文的表 1 把 QMugs 与三个前作并列对比：
| 数据集 | 唯一化合物 | 总构象 | 重原子 max（mean） | 方法 | 支持 Δ-learning | 波函数 |
|---|---|---|---|---|---|---|
| QM9 | 133,885 | 133,885 | 9（8.8） | B3LYP/6-31G(2df,p) | ✗ | ✗ |
| ANI-1 | 57,462 | 22,057,374 | 8（7.1） | ωB97X/6-31G(d) | ✗ | ✗ |
| PubChemQC | 3,982,436 | 3,982,436 | 51（14.1） | B3LYP/6-31G(d) | ✗ | ✗ |
| QMugs | 665,911 | 1,992,984 | 100（30.6） | GFN2-xTB + ωB97X-D/def2-SVP | ✓ | ✓ |
这张表的解读要点：
- QMugs 的分子显著更大：重原子均值 30.6 是 QM9（8.8）的约 3.5 倍、PubChemQC（14.1）的约 2.2 倍，最大值 100 远超其余三者（9/8/51）。更大的分子意味着更接近真实药物的复杂度。
- QMugs 是表中唯一同时支持 Δ-learning 且提供波函数的数据集（表 1 中 ANI-1 的构象数虽高达 2200 万，但分子仅 8 重原子均值且不含波函数、不支持 Δ-learning）。
- 总分子数上 PubChemQC 更多（3,982,436），但 QMugs 为每个分子提供多个构象，从而支持「区分分子组成与构象」的模型训练——这是 PubChemQC 的单构象设定做不到的。
- 论文特别强调：约 641k（96.3%）的 QMugs 分子此前未出现在其他 DFT 数据集合中，因此 QMugs 主要提供的是新增的化学空间覆盖，而非已有数据的重复。
2.5 与 ChEMBL 的血缘关系（互链点）
QMugs 的全部 665,911 个分子提取自 ChEMBL。这一血缘关系意味着：
- QMugs 的分子标识可回溯到 ChEMBL 的化合物记录，从而与生物活性数据（IC50、Ki、靶点等）关联——这正是论文「提供分子结构与生物活性关系洞察」主张的技术基础。
- 库内 chembl（rid=572） 条目与 QMugs 构成「生物活性 ↔ 量子力学性质」的互补对照：检索者若研究同一分子在生物学与量化两个维度的表现，应同时查阅二者。
- 但需注意：QMugs 只继承 ChEMBL 的分子结构，不复制其生物活性标签；QMugs 自身提供的完全是计算化学性质。
2.6 与库内量子化学条目的边界
库内已有 qm9（rid=105） 与 moleculenet（rid=113）。三者定位差异应明确：
- qm9：量子化学数据集的鼻祖之一，13.4 万小分子（≤9 重原子）的 B3LYP 级几何、能量、电子性质。QMugs 在分子规模、原子类型多样性、多理论级别与波函数上全面超越 QM9，是「更大更类药物」的接续者。
- moleculenet（113）：多任务分子性质实验基准集合，主打从分子结构预测真实的物理化学/生物性质（如溶解度、毒性、活性）。它提供的是实验测量真值，而 QMugs 提供的是理论计算真值——二者是「实验 vs 计算」的对照关系。
- chembl（572）：生物活性数据库，是 QMugs 的数据来源而非同类。
因此 QMugs 在库内形成「量化计算」这一独立坐标：它既不是实验性质基准，也不是生物活性库，而是第一性原理计算真值的规模之源。
2.7 ChEMBL 提取的可能筛选逻辑
论文以「biologically and pharmacologically relevant molecules（具有生物/药理相关性的分子）」描述 QMugs 的分子来源。ChEMBL 本身收录的化合物大多带有活性测试记录（IC50、Ki、EC50 等），因此「从 ChEMBL 提取」隐含了一层质量筛选：这些分子至少是被研究过、被认为有潜在生物意义的分子，而非随机的化学空间采样。这一筛选带来两点推论：
- 正向：QMugs 的化学空间天然偏向「有药理前景」的区域，与药物发现的实际需求对齐。
- 约束：化学多样性受 ChEMBL 收录规则与历史研究热点影响，某些冷门骨架可能覆盖不足；对「探索全新化学空间」的任务，QMugs 的分布可能偏窄。
2.8 性质的数据组织形态
从化学信息学工程角度，QMugs 的数据组织大致为：
summary.csv：索引/汇总文件，提供分子级与整体规格的快速查阅入口。structures.tar.gz：打包的 SDF 文件（Structure-Data File），每个分子记录携带原子坐标与计算性质。- SDF 字段：论文 Table 2 列出 SDF 中存储的性质字段，涵盖原子级（如部分电荷）与分子级（如能量、转动常数），热力学分量为 vib./rot./transl. 三类；支持 Δ-learning 的字段以 ◆ 标记。
这种「索引 + 打包结构文件」的组织方式，是化学数据集的主流惯例，便于分批下载、增量处理与工具链对接。
2.9 数据质量与一致性关注点
对构建者而言，QMugs 的数据质量把控体现在几个层面：
- 统一的流水线：所有分子走同一条「生成构象 → GFN2-xTB 优化 → Psi4 DFT 单点」流水线，保证级别一致。
- 统一的参数：泛函固定 ωB97X-D、基组固定 def2-SVP，避免了参数混用导致的可比性问题。
- 统一的构象数：每分子 3 构象，规则整齐，便于批量处理。
- 前后一致的格式：SDF 标准化输出，便于工具链解析。
对使用者而言，需要留意的一致性风险包括：
- 基组约定：波函数矩阵依赖原子轨道基的约定，跨工具解析时须对齐。
- 单位与零点：能量单位（hartree）与零点约定须在跨数据集比较时统一。
- 构象选择：每分子仅 3 构象，未必覆盖全部低能构象，做系综性质时须注意采样代表性。
§3 计算流水线与可复现性
3.1 三段式流水线
QMugs 的生成流程可拆为几何优化前的构象生成、GFN2-xTB 几何优化、DFT 单点与波函数计算三步（见 §2.2）。工程上有几点值得关注：
- 构象数恒为 3：每分子统一生成 3 个构象，使得构象总数（1,992,984）约等于分子数（665,911）的 3 倍（665,911 × 3 = 1,997,733，与实际 1,992,984 略有出入，差额约 4,749，可能源于部分分子构象生成失败或去重；此差额未在一手摘要中解释，见 §9 遗留疑点）。
- Psi4 作为计算引擎：论文明确波函数与单点性质由 Psi4 软件套件计算，为复现提供了软件层面的锚点。
- 两级理论分工：GFN2-xTB 负责几何优化与热力学，DFT ωB97X-D/def2-SVP 负责高精度性质与波函数。
3.2 规模与算力代价
7 TB 的未压缩数据、近 200 万个构象的 DFT 单点计算、每个构象还要输出密度与轨道矩阵——这套规模的量化计算意味着巨大的计算资源投入。论文在致谢中专门感谢了 ETH 集群团队（ETH cluster team） 的技术支持，从侧面印证了计算量级。资助来源包括 ETH RETHINK 计划、瑞士国家科学基金会（SNF，grant no. 205321_182176）与 Boehringer Ingelheim。
3.3 复现门槛
对希望复现或扩展 QMugs 的研究者，门槛主要有三：
- 算力门槛：复算（哪怕只是部分）需要可观的 HPC 资源。
- 存储门槛：> 7 TB 的未压缩数据对存储与传输都是挑战，下载与本地加载需提前规划。
- 软件栈门槛：需要 xTB 系（GFN2-xTB）与 Psi4 的对应版本环境，且泛函/基组（ωB97X-D / def2-SVP）须严格对齐。
3.4 数据格式与访问方式
数据以 SDF（Structure-Data File）为主体格式存储分子结构与计算性质，配合 summary.csv 索引与 structures.tar.gz 打包。访问入口为 ETH Research Collection 提供的 libdrive.ethz.ch 分享页（详见 §6）。SDF 是化学信息学的通用交换格式，便于被 RDKit、Open Babel、OpenQDC 等主流工具直接读取，降低了二次开发的门槛。
3.5 为什么选 GFN2-xTB 做几何优化
GFN2-xTB 是 Grimme 团队发展的现代半经验紧束缚（tight-binding）方法，在有机分子的几何优化上以「接近 DFT 的精度、远低于 DFT 的成本」著称。QMugs 用它做几何优化，是一个务实的折中：
- 若用 DFT 优化几何，成本会大幅上升，665,911 个分子 × 3 构象的几何优化将极为昂贵。
- 若用分子力场优化，几何精度可能不足，影响后续 DFT 单点计算的可靠性。
- GFN2-xTB 处在两者之间——成本可控、几何质量足以支撑 DFT 单点。
随后在优化后的几何上做 DFT 单点（ωB97X-D/def2-SVP），既保证了高精度性质，又把 DFT 的昂贵部分限制在「单点」而非「优化」，是典型的高性价比设计。
3.6 ωB97X-D/def2-SVP 的选择理由
- ωB97X-D：一种色散校正的range-separated 杂化泛函，在有机分子与主族化学中表现稳健，适合类药物分子的能量与电子结构。
- def2-SVP：Karlsruhe 系列的分裂价基组（split-valence polarized），是精度与成本之间的常用平衡点。
- 这一组合（泛函 + 基组）在分子数据集中被广泛采用，便于与既有结果横向比较。
3.7 构象数与分子数的差额
前面提到一个值得留意的细节：665,911 × 3 = 1,997,733，而论文报告的实际构象数为 1,992,984，差额约 4,749。论文摘要未解释这一差额。可能的原因包括：部分分子构象生成失败、构象去重（两个生成构象收敛到同一几何）、或某些分子因化学原因无法完成三级计算。本条目不臆断其为缺陷，检索者若需要精确复现，应回到 SDF 文件逐条核对。
§4 与前作及同类数据集的比较
4.1 量化数据集的谱系
QMugs 站在一条清晰的数据集演化脉络上：
- 第一代：QM9（2014）——13.4 万小分子、B3LYP 级、单构象、无波函数。奠定了 QML 的标准测试床。
- 扩展：ANI-1（2017）——5.7 万分子、2200 万构象、ωB97X/6-31G(d)，主打势能面/力，面向分子动力学模拟。
- 规模化：PubChemQC——近 400 万分子、B3LYP/6-31G(d)，规模庞大但仍是单构象、无波函数、分子偏小（重原子均值 14.1）。
- QMugs（2022）：类药物大分子（均值 30.6）、多构象、双理论级别、含波函数——在分子规模与信息完备度两个维度上同时跃升。
4.2 三个维度的定位
把 QMugs 放进「分子大小 × 构象数 × 信息类型」的三维空间，可以看到它占据了一个此前空置的角落：
- 分子大小：QMugs 的 30.6 平均重原子数，让它比 QM9（8.8）、ANI-1（7.1）、PubChemQC（14.1）都更接近真实药物的复杂度。
- 构象多样性：QMugs 每分子 3 构象，远多于 QM9/PubChemQC 的 1 构象（虽少于 ANI-1 的高构象数，但 ANI-1 分子极小）。
- 信息类型：QMugs 独有 DFT 波函数（密度/轨道矩阵），这是其余三者均不提供的「第一性原理最深层」信息。
4.3 与「实验性质基准」的互补
不同于 MoleculeNet 这类实验测量基准，QMugs 提供的是理论计算真值。两者互补：实验数据反映真实世界的性质，但稀缺、噪声大、覆盖窄；计算数据可规模化、无实验噪声、覆盖广，但受理论方法精度约束。QMugs 的价值恰在于用可控的计算成本，为药物样分子提供了大规模、多级别、含波函数的理论真值。
4.4 下游采用：OpenQDC 生态
QMugs 已被第三方开源生态整合。OpenQDC（Open Quantum Drug-like Chemistry）将其列为潜在能量数据集，代码中明确引用 QMugs 的 arXiv 与 Nature 链接，并定义了两个能量方法枚举：
# OpenQDC 中 QMugs 数据集的关键定义（据 docs.openqdc.io）
__name__ = "qmugs"
__energy_methods__ = [PotentialMethod.GFN2_XTB,
PotentialMethod.WB97X_D_DEF2_SVP] # "gfn2_xtb", "wb97x-d/def2-svp"
__energy_unit__ = "hartree"
__distance_unit__ = "ang"
__forces_unit__ = "hartree/ang"
这段代码从侧面印证了 QMugs 的双理论级别（GFN2-xTB 与 wB97X-D/def2-SVP）与能量单位（hartree）。OpenQDC 的整合使研究者可以通过统一接口加载 QMugs，降低了跨数据集训练的门槛。
4.5 定位总结
一句话概括 QMugs 的生态位：它是「类药物大分子 + 多理论级别 + 多构象 + 波函数」四个条件同时满足的首个大规模数据集。前作各自只满足其中一两个条件（QMugs 之前的集合或缺规模、或缺构象、或缺波函数、或缺类药物性），QMugs 第一次把它们集齐。
4.6 为什么「含着波函数」如此罕见
波函数（或等价的密度矩阵/轨道矩阵）之所以在数据集中罕见，有两个现实原因：
- 存储爆炸：波函数的大小随基组规模增长，一个分子的密度矩阵可能有十万量级的元素，乘以两百万构象，就是 > 7 TB 的来源。多数数据集为了控制体积，只存标量性质。
- 计算与工程复杂：输出、存储、解析波函数需要专门的软件支持与格式约定，工程门槛高于输出几个标量。
QMugs 愿意承担这两重代价，换来了信息完备度上的独特地位。这也是它数据量远超同类（> 7 TB vs 通常 GB 级）的根本原因——体积大不是冗余，而是信息。
4.7 「规模」与「质量」的权衡分析
在量化数据集设计中，「规模」与「质量」常需权衡：
| 策略 | 代表 | 优点 | 代价 |
|---|---|---|---|
| 追求分子数量 | PubChemQC | 覆盖广 | 分子偏小、单构象、无波函数 |
| 追求力/构象数 | ANI-1 | 势能面丰富 | 分子极小 |
| 追求精度层级 | QM9 | 家喻户晓、基准成熟 | 分子小、单构象 |
| 追求类药物+多级别+波函数 | QMugs | 四合一 | 体量巨大、来源单一 |
QMugs 选择的是「在药物样分子上把层级做深」的路线，而非单纯堆数量。这一取向决定了它更适合「方法研究」而非「穷举化学空间」的用途。
4.8 「多理论级别」在实践中的意义
QMugs 同时提供 GFN2-xTB 与 DFT 两级结果，这在实践中带来几种用法：
- Δ-learning：最直接的用法（见 §5.1）。
- 跨级别一致性检验：比较两级结果的差异，评估半经验方法在类药物分子上的可靠性。
- 模型输入扩展：把半经验结果作为特征、DFT 结果作为标签，构造「廉价输入→昂贵输出」的学习问题。
- 分阶段建模：先用半经验数据做粗筛，再用 DFT 数据做精修。
这种「一个数据集、多种用法」的灵活性，来自双级别设计的通用性。
4.9 QMugs 与分子生成模型的交集
近年的分子生成模型（如扩散模型、流模型）常需要量子化学监督来保证生成分子的物理合理性。QMugs 提供的大规模优化几何与量化性质，可作为生成模型的：
- 几何监督：生成的三维结构以 QMugs 的优化几何为参考真值。
- 性质约束：生成分子的量化性质以 QMugs 为分布参考。
- 评估基准：用 QMugs 上的性质预测误差评估生成分子的合理性。
这让 QMugs 不只是「预测数据」，也逐步成为「生成数据」生态的一环。
4.10 与通用分子预训练语料的区别
QMugs 常被拿来与大规模分子语料（如 ZINC、PubChem 的 SMILES 集合）比较，但二者目标不同：
- 通用分子语料：提供海量分子的结构（通常只是 SMILES 字符串），用于学习分子表征；几乎不含量子化学性质。
- QMugs：提供分子结构 + 两级量子化学性质 + 波函数，用于学习物理量。
因此，通用语料适合「预训练表征」，QMugs 适合「量化性质监督」。二者可以串联：先用通用语料预训练分子编码器，再用 QMugs 微调量化性质预测。这一组合在近年分子机器学习中越来越常见。
§5 应用场景与建模任务
5.1 Δ-learning：QMugs 的第一设计目标
QMugs 最直接的应用是 Δ-learning（差分学习）。其思路是：对同一分子，先用廉价的半经验方法（GFN2-xTB）算一遍性质，再让机器学习模型预测「DFT 真值 − 半经验值」的差值。由于差值往往远小于绝对量级，模型的学习难度显著降低，从而以远低于纯 DFT 的算力逼近 DFT 精度。
QMugs 天然满足 Δ-learning 的两个前置条件：同一批分子、同一批构象、同时具备两级理论的结果。论文明确列出哪些性质支持 Δ-machine learning（Table 2 以 ◆ 标记），检索者使用时应优先选用这些标记性质来构造 Δ 目标。
5.2 构象感知的性质预测
由于 QMugs 为每个分子提供 3 个构象，模型可以学会区分「分子组成（constitution）」与「构象（conformation）」对性质的影响。这对以下任务尤为关键：
- 构象系综性质预测：真实分子的性质往往来自构象系综的权重平均，QMugs 的多构象结构让模型能学习这种系综效应。
- 构象生成模型：QMugs 的优化几何可作为构象生成模型的监督真值（reference geometry）。
- 几何-性质关系建模：跨构象的分析可揭示几何变化如何影响电荷分布、能量与转动常数。
5.3 波函数学习
QMugs 提供的 DFT 密度矩阵与轨道矩阵，使其能够支撑「学习波函数/电子密度」这一更前沿的方向。相比只提供标量性质（能量、偶极矩）的数据集，QMugs 提供的是局域原子轨道基下的矩阵表示，信息完备度更高，可面向电子密度预测、波函数逼近、以及以波函数为中间表示的分子性质建模。
5.4 分子性质预测与药物设计
在药物发现语境下，QMugs 可用于：
- 量子性质代理模型：训练快速预测部分电荷、能量、转动常数的模型，替代昂贵的量化计算。
- 结构与活性关系（SAR）研究：借助 QMugs 与 ChEMBL 的血缘，把量化性质与生物活性关联，探索「结构 → 性质 → 活性」的链条。
- 训练数据/预训练语料：作为分子基础模型或分子表征学习的量化监督信号来源。
5.5 典型使用路径（示意）
# 概念性使用示意（非官方 API，仅说明 QMugs 的字段结构）
# 真实加载请参考 ETH Research Collection 下载的 SDF 文件与 openqdc 接口
#
# 1) 通过 openqdc 统一接口加载 QMugs（据 docs.openqdc.io）
# from openqdc.datasets import QMugs
# ds = QMugs()
#
# 2) 或直接从 structures.tar.gz 解压得到 SDF，用 RDKit 读取
# from rdkit import Chem
# mol = Chem.SDMolSupplier("qmugs_structures.sdf")
#
# 3) 每个分子取 3 个构象，比较 GFN2-xTB 与 DFT 两级性质
# # Δ-learning 目标 = DFT_energy - GFN2xTB_energy
（以上为说明性伪代码，具体字段名与接口以官方文档与下载包内说明为准。）
5.6 波函数数据的下游想象空间
QMugs 提供的 DFT 密度矩阵与轨道矩阵，在被正确解读（需考虑原子轨道基的约定）后，可以支撑一批偏前沿的任务：
- 电子密度预测：以 QMugs 的真值训练模型直接预测电子密度场。
- 波函数作为表征：把波函数当作分子的「物理指纹」，用于下游性质预测或相似性度量。
- 密度泛函的机器学习代理：学习从 GFN2-xTB 波函数到 DFT 波函数的映射，服务于 Δ-learning 的更精细形态。
- 轨道/能级分析：轨道矩阵与相关量支持分子轨道能级、前沿轨道等化学描述符的建模。
需要注意，波函数数据的使用门槛高于标量性质：涉及基组约定、矩阵的对称性与规范化等专业细节，检索者应具备量子化学基础再上手。
5.7 与 ChEMBL 活性数据的联合建模
QMugs 的分子可回溯 ChEMBL，因此可以构造「量化性质 + 生物活性」的联合数据集，探索结构 → 量化性质 → 生物活性的传导链。例如：某类分子的部分电荷分布或轨道能级是否与其对某靶点的抑制活性相关？这类问题在过去受限于缺少大规模量化数据而难以系统研究，QMugs 提供了新的可能性。
5.8 应用场景速查表
| 应用方向 | QMugs 提供的支撑 | 使用要点 |
|---|---|---|
| Δ-learning | 同分子同构象的两级理论结果 | 用 Table 2 标注 ◆ 的性质构造 Δ 目标 |
| 构象感知性质预测 | 每分子 3 构象 | 按分子划分 train/test，避免构象泄漏 |
| 波函数/电子密度学习 | DFT 密度与轨道矩阵 | 需量子化学背景，注意基组约定 |
| 量化性质代理模型 | 部分电荷/能量/转动常数真值 | 可直接做监督回归 |
| 构象生成模型 | GFN2-xTB 优化几何 | 作为 reference geometry 监督 |
| SAR 研究 | 与 ChEMBL 的分子血缘 | 需另行关联生物活性数据 |
| 分子表征预训练 | 大规模量化性质 | 可作为自监督/多任务的目标源 |
5.9 一个具体的使用疑问：能量单位与符号约定
使用量化数据时，能量单位与符号约定是常见坑。OpenQDC 的代码显示，QMugs 的能量单位为 hartree（哈特里），距离单位为 angstrom（埃）。不同软件/数据集的能量可能以 hartree、eV、kcal/mol 等表示，符号（能量零点）也可能不同。跨数据集合并或比较前，务必统一单位与零点，否则模型学到的将是虚假的差异。
§6 获取与许可：门怎么进
6.1 资产分层与访问入口
| 资产 | 内容 | 访问入口 |
|---|---|---|
| 论文 | Sci Data 9, 273 (2022) 全文 | nature.com / PMC（开放获取，CC BY 4.0） |
| 预印本 | arXiv:2107.00367 | arxiv.org / ar5iv 全文 |
| 数据集索引 | summary.csv |
ETH 分享页 libdrive.ethz.ch/index.php/s/X5vOBNSITAG5vzM/... |
| 数据集主体 | structures.tar.gz（SDF） |
同上 |
| 生态入口 | OpenQDC 统一接口 | docs.openqdc.io |
| 元数据页 | 数据集描述与元数据 | ETH Research Collection（handle 20.500.11850/482129 与 …/552625） |
6.2 下载体量与实操提示
7 TB 的未压缩数据是使用 QMugs 的第一道门槛。分享页提供的是打包压缩件，实际下载体积虽小于未压缩口径，但依然庞大，检索者应提前规划磁盘空间、传输时长与解压后的存储。建议按需分批下载或先取
summary.csv了解全貌再决定是否拉取全量结构文件。
6.3 许可口径（务必以一手来源为准）
- 论文：CC BY 4.0（Creative Commons Attribution 4.0 International），允许在署名前提下自由使用、共享、改编与再分发，包括商业用途。
- 数据集本体：须以 ETH Research Collection 官方页的许可标注为准。本次核验中，该页正文未能成功抓取（详见 §9 遗留疑点），因此本条目不臆断数据集文件的具体许可，只如实标注「以官方页为准」。
- 实操建议：若计划将 QMugs 用于再分发或商业用途，请务必回到 ETH Research Collection 页面确认数据集本体的许可条款，切勿仅凭论文 CC BY 4.0 推定数据文件的再分发权利。
6.4 AI-Ready 可获取性评估
从 AI-Ready 视角看 QMugs 的可得性：
加分项：
- 论文完全开放获取（CC BY 4.0），方法论与规格文档齐全。
- 数据以通用 SDF 格式存储，主流化学信息学工具可直接读取。
- 已有 OpenQDC 等第三方统一接口，降低加载门槛。
- 提供
summary.csv索引，便于先探查再下载。
减分项：
- 数据集本体无 Research Collection 之外的一键直链，须经分享页跳转。
- 下载体量巨大（> 7 TB 未压缩），对个人研究者不友好。
- 数据集本体许可须另行确认，可能给再分发带来不确定性。
- 无内置的 train/test 划分或标准化基准协议（它是数据描述型数据集，非竞赛基准）。
综合而言，QMugs 属于「文档友好、格式通用，但体量与许可确认成本偏高」的数据集：适合有 HPC/存储资源、且愿意核查许可的团队，不便于轻量级快速试验。
6.5 许可速查卡
| 资产 | 许可 | 依据 | 再分发建议 |
|---|---|---|---|
| 论文正文/图表 | CC BY 4.0 | Nature/PMC 版权页 | 署名后可自由使用 |
| 预印本 | arXiv 默认许可（通常 CC BY 或 arXiv 非独占） | arXiv 页面 | 建议署名为准并回到 arXiv 页确认 |
数据集 summary.csv |
以 ETH Research Collection 官方页为准 | 该页（本次未成功抓取） | 务必先核实官方页 |
数据集 structures.tar.gz |
以 ETH Research Collection 官方页为准 | 同上 | 务必先核实官方页 |
一句话建议：论文随便引，用数据先查页。研究用途通常无障碍，但商业再分发请务必回官方页确认。
6.6 下载流程实操建议
若要实际获取 QMugs，建议按以下顺序操作，以节省时间与带宽：
- 先看索引：下载
summary.csv，确认分子/构象的总体规格与字段结构，避免盲目拉取全量。 - 评估存储：按未压缩 > 7 TB 预留空间（若只取子集，按比例估算）。
- 分批获取：
structures.tar.gz体量大，建议分批下载或只取研究所需子集。 - 校验完整性：下载后核对文件大小/校验和，避免传输损坏。
- 工具加载：用 RDKit/Open Babel 读 SDF，或用 OpenQDC 接口转换。
- 确认许可：回到 ETH Research Collection 官方页确认数据集本体的许可条款。
6.7 轻量级替代路径
对资源受限的使用者，有几条轻量路径：
- 只用
summary.csv：先做元数据分析，不下载结构文件。 - 取子集：只下载与研究相关的分子子集（若分享页支持选择性下载）。
- 用 OpenQDC 流式接口：借助第三方接口按需加载，避免本地全量存储。
- 云端处理：在有大存储的云环境处理，而非本地工作站。
- 改用轻量数据集：若研究问题不需要类药物大分子，可改用 QM9(105) 等小规模集合。
这些路径各有取舍，核心是不要为了一小部分需求承担全量数据的成本。
6.8 关于数据集本体许可的判断建议
由于本次核验未能成功抓取 ETH Research Collection 的数据集页正文，关于数据集本体许可，本条目给出三条务实建议：
- 不要仅凭论文 CC BY 4.0 推定数据文件许可。论文与数据文件是两个独立对象，许可可能不同。
- 若仅为学术研究使用，绝大多数开放科研数据集都允许，风险较低；但仍建议在论文方法部分注明来源与获取日期。
- 若涉及再分发或商业用途，必须先访问
https://www.research-collection.ethz.ch/handle/20.500.11850/482129与.../552625确认条款，必要时联系 ETH 数据管理方。
这一谨慎态度并非过度——开放数据集的许可误判在实践中并不罕见，一次确认可避免后续的法律与合规风险。
6.9 与库内「可获取性光谱」的对照
在千方病案医数集库内，数据集的「可获取性」从「一键直链」到「请求制」不等。QMugs 大致处于中间偏难的位置：
- 比 MoleculeNet(113) 难：MoleculeNet 通常有成熟的统一加载入口（DeepChem 等），QMugs 则需经 ETH 分享页且体量巨大。
- 比请求制数据集易：QMugs 无需向作者单独申请，公开分享页即可获取（只要承担体量成本）。
- 与 ChEMBL(572) 各有所长：ChEMBL 有成熟的 API/网页检索，QMugs 则以一次性大包形式分发。
这一光谱定位提示检索者：使用 QMugs 前应先评估自身的基础设施是否具备承载能力。
§7 生态、影响与库内定位
7.1 学术谱系
QMugs 出自 ETH Zurich RETHINK 组。该组在化学信息学与药物设计方向持续产出（Gisbert Schneider 为通讯作者之一）。论文的资助方包括 ETH RETHINK 计划、瑞士国家科学基金会与 Boehringer Ingelheim（制药企业），反映出工业界对量化数据资源的关注。José Jiménez-Luna 兼具 ETH 与 Boehringer Ingelheim 双重隶属。
7.2 在高精度分子数据集景观中的位置
QMugs 的独特性可用「四个同时满足」概括（见 §4.5）：类药物大分子 + 多理论级别 + 多构象 + 波函数。这使它在量化数据集谱系中占据一个明确的、此前空置的位置，主要服务于：
- QML 方法研究者：需要大规模、多级别、含波函数的训练/测试数据。
- Δ-learning 研究者：需要同分子同构象的两级理论配对。
- 药物设计团队：需要类药物分子的量化性质代理模型。
- 构象生成/表征学习团队：需要优化几何与多构象真值。
7.3 下游生态与复用
QMugs 已被 OpenQDC 收录为潜在能量数据集（见 §4.4），说明它已进入第三方数据集成生态。论文的引用量随时间累积（二手聚合站记录约 172 次被引，此数值为二手来源，见 §9，不作为硬事实）。数据集的规模与信息完备度使其具备成为 QML 「标准数据源之一」的潜力。
7.4 库内定位与互链
在「千方病案医数集」库内，QMugs 填补了计算化学量化数据的坐标：
| 库内条目 | rid | 与 QMugs 的关系 |
|---|---|---|
| chembl | 572 | QMugs 的分子来源；生物活性 ↔ 量化性质的互补对照。★强互链 |
| qm9 | 105 | 同类量化数据集的前作；QMugs 在分子规模/构象/波函数上超越。★强互链 |
| moleculenet | 113 | 分子性质实验基准；与 QMugs 的计算真值形成互补。★互链 |
检索路径建议：
- 研究「同一分子的生物活性与量化性质」→ 同时查 chembl(572) 与 QMugs。
- 研究「量化数据集从小分子到大药物的演化」→ 顺 qm9(105) → QMugs 阅读。
- 研究「实验性质 vs 计算性质」→ 对照 moleculenet(113) 与 QMugs。
7.5 影响总结
QMugs 的意义不在于刷新某个单一指标，而在于把量子化学的可及范围扩展到了真实的类药物大分子，并把信息粒度推进到了波函数层面。它降低了「在药物样分子上做第一性原理机器学习」的数据门槛，为 Δ-learning、构象感知建模与波函数学习提供了此前缺失的大规模燃料。对任何希望把 QML 从玩具分子推向真实药物空间的团队，QMugs 都是一个绕不开的起点。
7.6 从「数据描述」到「数据基础设施」
QMugs 的论文类型是 Scientific Data 的**数据描述型（Data Descriptor）**文章。这类文章的评价标准不是「新方法有多强」，而是「数据有多大价值、多可复现、多可复用」。从这个角度看，QMugs 的贡献可以概括为把量化数据从「一次性计算结果」提升为「可长期复用的数据基础设施」：
- 它不是为了验证某一篇论文的假设而临时生成，而是希望被社区长期引用与二次开发。
- 它采用通用格式（SDF）与公开许可（论文 CC BY 4.0），降低复用摩擦。
- 它明确标注了支持 Δ-learning 的性质，为下游使用者提供使用指引。
这种「基础设施思维」是当代 AI-Ready 数据集的共同特征，也是 QMugs 能被 OpenQDC 等生态快速整合的原因。
7.7 局限与边界（诚实声明）
任何数据集都有边界，QMugs 也不例外：
- 来源单一：仅 ChEMBL，化学空间偏窄。
- 理论级别有限：单一泛函 + 单一基组，没有多泛函/多基组的交叉验证。
- 不含显式力：限制了分子动力学方向的直接使用。
- 无基准协议：不提供标准化 train/test 划分，使用者需自行设计评估方案。
- 体量与许可门槛：> 7 TB 与待确认的数据集许可，增加了使用成本。
检索者在选用 QMugs 时，应把这些边界纳入考量，而非把它当作「万能数据」。
7.8 谁在用它：潜在用户画像
从数据集特性推断，QMugs 的典型用户可归为几类：
- 学术 QML 研究者：需要大规模、多级别、含波函数的基准数据来验证新模型。QMugs 是理想的可发表结果的测试床。
- 工业药物设计团队：需要类药物分子的快速性质预测代理。QMugs 的 ChEMBL 血缘让模型可直接服务于真实药物项目。
- 方法开发者：研究 Δ-learning、等变网络、波函数学习等的新型架构，需要数据丰富、层级分明的训练集。
- 数据科学研究：研究大数据在科学计算中的组织、分发与复用模式，QMugs 是一个典型的大规模科学数据集样本。
相反，以下用途不适合 QMugs：需要实验真值的药物筛选、需要显式力的分子动力学、需要小分子高精度基准（应选 QM9）、需要极简轻量试验的场景。
7.9 一条被低估的价值：数据的「可组合性」
QMugs 的价值还在于它的可组合性——它不是一个封闭的孤岛，而是能与上下游数据组合：
- 向上组合：与 ChEMBL 的生物活性组合，形成「结构-性质-活性」三元数据。
- 平行组合：与 QM9 组合，做「小分子→大分子」的规模迁移研究。
- 向下组合：与下游任务标签组合，构造各种监督学习任务。
这种可组合性来自它开放的格式、公开的许可与清晰的语义（分子标识可回溯），是「基础设施级」数据集的共同特质。
§8 方法学启示：三条可迁移的经验
8.1 「来源数据库 + 多级别计算」是可复制的范式
QMugs 的成功范式可以抽象为：选一个有意义的分子来源（ChEMBL），对每个分子做多级别、多构象的系统计算，产出信息完备度极高的数据集合。这一范式可迁移到其他来源（如 PubChem、ZINC）与其他理论级别组合，是可复制的方法论模板。
8.2 多构象是「从组成到构象」的钥匙
QMugs 每分子 3 构象的设定看似简单，却解锁了「区分分子组成与构象」的建模能力——这是单构象数据集（QM9、PubChemQC）做不到的。对任何面向真实分子的性质建模，构象多样性都是不可忽视的维度。
8.3 提供波函数 = 提供「可组合复用的中间表示」
QMugs 提供 DFT 密度矩阵与轨道矩阵，而非仅标量性质。这使数据集的价值超越了「训练某个性质预测器」——波函数可作为可复用的中间表示，支撑电子密度预测、波函数学习等更下游、更灵活的任务。数据集的「信息完备度」本身是一种长期资产。
8.4 数据来源与计算级别的解耦
QMugs 的一个巧妙设计是把「分子从哪来」与「算什么级别」解耦：分子来自 ChEMBL（决定化学空间），计算级别由研究者选择（GFN2-xTB 与 DFT）。这种解耦让数据集既能继承来源库的语义（类药物性），又能承载独立的理论价值（量化真值），并为进一步扩展（换来源、加级别）留下接口。这一「来源 × 级别」的二维设计值得其他数据集的构建者借鉴。
8.5 许可与可得性是 AI-Ready 的一半
QMugs 提醒我们：一个数据集是否「AI-Ready」，一半取决于数据本身，另一半取决于许可与可得性。QMugs 在数据质量上堪称优秀（规模、完备度、格式），但在可得性上有明显摩擦（> 7 TB、无额外直链、数据集许可待确认）。这提示数据集的构建者：若希望数据被广泛复用，除了把数据做好，还应把分发渠道、格式、许可标注做到一目了然。
§9 与库内条目的关系
9.1 家族图谱
ChEMBL（生物活性库, rid=572）
└── 提取分子 → QMugs（量化性质, 本条目）
├── 对比前作 → QM9（小分子量化, rid=105）
└── 对照基准 → MoleculeNet（实验性质, rid=113）
- 上游：chembl(572)——提供分子结构来源。
- 同域前作：qm9(105)——量化数据集的规模/粒度对照。
- 旁系：moleculenet(113)——实验 vs 计算的对照。
9.2 检索路径建议
- 想了解「QMugs 分子从哪来」→ chembl(572)。
- 想了解「QMugs 相比传统量化数据集进步在哪」→ qm9(105)。
- 想了解「计算性质与实验性质的差别」→ moleculenet(113)。
- 想做药物样分子的 QML → 从 QMugs 入手，向上游追溯 ChEMBL 的生物活性。
9.3 消歧说明（不进 frontmatter，仅正文）
- QMugs 与 chembl：同域但不同物——ChEMBL 是生物活性库，QMugs 是量化性质数据集，QMugs 的分子源自 ChEMBL 但内容完全不同。勿合并。
- QMugs 与 qm9：同域但不同物——QM9 是 13.4 万小分子，QMugs 是 66.6 万类药物大分子，二者是前作与后继关系。勿合并。
- QMugs 与 moleculenet：同域但不同物——MoleculeNet 是多任务实验基准，QMugs 是计算真值集合。勿合并。
- QMugs 与候选情报中的「EPFL / Berend Smit / Columbia」：机构归属错误，实际为 ETH Zurich RETHINK。勿采信。
9.4 双口径存照（检索者必读）
QMugs 存在以下双口径/待核项，本条目逐条存照，供检索者自行判断：
| 编号 | 口径 A | 口径 B | 本条目处理 |
|---|---|---|---|
| 1 | 机构：EPFL / Berend Smit / Columbia（候选情报） | ETH Zurich RETHINK（一手三源） | 采信 B，A 已证伪 |
| 2 | handle：20.500.11850/482129 | 20.500.11850/552625 | 并列两 handle，注明差异未明 |
| 3 | 分子数：more than 665k（摘要） | 665,911（Table 1） | 精确值为主，概数为辅 |
| 4 | 构象数：~2 M（摘要） | 1,992,984（Table 1） | 精确值为主，概数为辅 |
| 5 | 数据量：over 7 TB（未压缩） | 压缩包实际体积更小 | 注明为未压缩口径 |
| 6 | 原子类型数：10（候选情报） | 一手未直接读到整数 | 标为报道值/待核 |
| 7 | 数据集许可：CC BY 4.0（可由论文推定） | 以 ETH 官方页为准（未成功抓取） | 不臆断，指向官方页 |
| 8 | 被引数：约 172（二手聚合站） | 无官方计量 | 标为二手，不作硬事实 |
| 9 | 显式力：无（候选情报） | 一手摘要未明示 | 注明据候选情报，待核 |
9.5 遗留疑点清单
- ETH Research Collection 页面正文本次未成功抓取（WebFetch 仅返回页面标题），故数据集本体的许可与版本细节未能一手确认。
- 两个 handle 的主从关系未明（482129 与 552625）。
- 原子类型数「10」 未在一手摘要/Table 1 中直接读到。
- 分子数 × 3 与实际构象数的差额（约 4,749）未获解释。
- 是否含显式力：候选情报称「无」，一手摘要未明示。
§10 避坑清单：九个已踩过或易踩的坑
坑 1：机构张冠李戴。
候选情报一度猜测 QMugs 出自「EPFL Isert/Kreiman」「EPFL Berend Smit 组」或「Columbia」。一手来源三源互证（arXiv affiliation、PMC 作者信息、Sci Data PDF 致谢）确认：ETH Zurich 化学与应用生物科学系 RETHINK 组，通讯作者 Gisbert Schneider 与 José Jiménez-Luna。Berend Smit 在 EPFL 从事分子模拟但非本文作者。引用机构时务必以一手为准。
坑 2：把「概数」当精确值。
论文摘要用「more than 665k」「~2 M」，而 Table 1 给出 665,911 与 1,992,984。引用时若只复述概数，可能与他处精确值「对不上」。建议以精确值为主、概数为辅。
坑 3：误以为可一键下载。
QMugs 数据集本体没有 Research Collection 之外的一键直链，须经 libdrive.ethz.ch 分享页跳转。且未压缩体积 > 7 TB，轻率下载可能耗尽磁盘/带宽。
坑 4：用论文 CC BY 4.0 推定数据文件许可。
论文是 CC BY 4.0，但数据集本体的许可须以 ETH Research Collection 官方页为准。二者未必等同，再分发前必须核实数据集文件的具体条款。
坑 5：把「无显式力」当作通用事实。
QMugs 主打能量、性质与波函数，不含显式力（forces）信息（据候选情报，一手未明示）。若把它当作势能面/力数据集（类似 ANI 系列）使用，会失望。请按实际提供的性质选择任务。
坑 6：忽视双 handle 口径。
ETH Research Collection 上 QMugs 数据集存在 20.500.11850/482129 与 20.500.11850/552625 两个 handle。检索者引用时应并列两 handle 并注明差异未明（见 §9 存照）。
坑 7：把「规模最大」当成唯一卖点。
QMugs 的分子数（665,911）少于 PubChemQC（3,982,436）。QMugs 的优势在分子更大、多构象、多理论级别、含波函数，而非单纯数量。理解卖点错位会导致误用。
坑 8：混淆 QMugs 与 MoleculeNet 的真值类型。
MoleculeNet 提供实验测量真值，QMugs 提供理论计算真值。二者不可混为一谈，做基准对比时须区分。
坑 9：忽视构象数与分子数的细微差额。
665,911 × 3 = 1,997,733，但实际构象数为 1,992,984，差额约 4,749。此差额未在一手摘要中解释（可能源于部分分子构象生成失败或去重），检索者不应臆断其为错误（见 §9 遗留疑点）。
坑 10：把 QMugs 当成竞赛/榜单。
QMugs 是 Scientific Data 的 Data Descriptor（数据描述型论文），没有排行榜、没有官方 submission 系统、没有内置的 train/test 划分。想找「分子性质预测排行榜」的检索者应去 OGB、MoleculeNet 类基准，而非 QMugs。
坑 11：忽略「两级理论级别」的配对前提。
QMugs 的 Δ-learning 价值建立在「同一分子、同一构象、两级理论」的严格配对上。若使用者在下载后自行混入其他来源的 DFT 结果，会破坏配对前提，Δ-learning 的差值将失去物理意义。务必在 QMugs 内部做配对。
坑 12：默认数据是「拿来即训」的格式。
QMugs 提供 SDF（结构与性质）+ CSV（索引），但不提供现成的 PyTorch/HuggingFace Dataset 对象。要用于深度学习，需要使用者自行编写加载与特征化流水线（或用 OpenQDC 的接口）。把 SDF 直接喂给模型是行不通的。
§10.5 AI-Ready 元数据——DAIMS 表
下表按 DAIMS（Data Asset and Information Management System）视角归纳 QMugs 的 AI-Ready 要素：
| DAIMS 维度 | QMugs 对应内容 |
|---|---|
| 数据标识 | 官方名 QMugs（Quantum-Mechanical Properties of Drug-like Molecules）；slug: qmugs；DOI: 10.1038/s41597-022-01390-7 |
| 来源与权威 | ETH Zurich RETHINK 组；Sci Data 9, 273 (2022)；arXiv:2107.00367 |
| 数据粒度 | 分子级（665,911）+ 构象级（1,992,984）；原子级性质 |
| 模态/类型 | 结构化化学数据（SDF）+ 索引（CSV）；计算化学性质（数值矩阵） |
| 标注类型 | 无人工标注；全部为第一性原理计算真值 |
| 理论级别 | GFN2-xTB（半经验）+ DFT ωB97X-D/def2-SVP |
| 信息完备度 | 含标量性质（能量/电荷/转动常数）与波函数（密度/轨道矩阵） |
| 格式与工具 | SDF（RDKit/Open Babel 可读）；OpenQDC 统一接口 |
| 许可 | 论文 CC BY 4.0；数据集本体以 ETH Research Collection 官方页为准 |
| 可获取性 | 经 libdrive.ethz.ch 分享页；无额外一键直链；体量 > 7 TB 未压缩 |
| 适用任务 | Δ-learning、构象感知性质预测、波函数学习、SAR 研究 |
| 已知局限 | 分子来源单一（ChEMBL）；不含显式力；单泛函 DFT；无内置基准划分 |
| 互链条目 | chembl(572)、qm9(105)、moleculenet(113) |
§10.6 术语表（首现英文对照）
| 术语 | 英文 | 含义 |
|---|---|---|
| 类药物分子 | drug-like molecule | 具备类药物性质（分子量、脂溶性、氢键能力等在合理区间）的化合物 |
| 构象 | conformer | 同一分子因单键旋转等产生的不同三维形状 |
| 重原子 | heavy atom | 非氢原子（碳、氮、氧等），常用于衡量分子尺寸 |
| 半经验方法 | semi-empirical method | 引入经验参数、成本低于第一性原理的量子化学方法 |
| GFN2-xTB | — | Grimme 团队发展的现代半经验紧束缚方法，擅长有机分子几何 |
| 密度泛函理论 | DFT (Density Functional Theory) | 以电子密度为基本变量的第一性原理方法 |
| 泛函 / 基组 | functional / basis set | DFT 的近似函数 / 原子轨道的展开基 |
| ωB97X-D | — | 一种色散校正的 range-separated 杂化泛函 |
| def2-SVP | — | Karlsruhe 系列分裂价极化基组 |
| 波函数 | wave function | 描述电子量子态的数学对象 |
| 密度矩阵 / 轨道矩阵 | density / orbital matrix | 波函数在原子轨道局域基下的矩阵表示 |
| 部分电荷 | partial charge | 原子在分子中分担的电荷量 |
| 转动常数 | rotational constant | 描述分子转动能级间距的物理量 |
| Δ-learning | delta-learning | 学习「廉价方法」与「昂贵方法」结果之差的学习范式 |
| 单点计算 | single-point calculation | 在固定几何下只算性质、不优化几何的计算 |
| 化学信息学 | cheminformatics | 用计算方法处理化学信息的学科 |
§10.7 延伸阅读与学习路径
- 入门：先读 Sci Data 论文的 Abstract 与 Background & Summary，建立 QMugs 的全景认知。
- 深入规格：细读论文 Table 1（数据集对比）与 Table 2（性质字段）。
- 动手使用：经 ETH 分享页取
summary.csv初探，再用 OpenQDC 接口或 RDKit 加载 SDF。 - 背景补课：若对量子化学不熟，先了解 DFT、半经验方法与波函数的基本概念，再上手矩阵类数据。
- 横向对比：结合 QM9、ANI-1、PubChemQC 的原始论文，理解量化数据集谱系的演化。
§10.8 库内对照速览（检索者导航）
为便于在库内横向检索，下表汇总 QMugs 与三个相关条目的关键区别：
| 维度 | QMugs (本条目) | chembl (572) | qm9 (105) | moleculenet (113) |
|---|---|---|---|---|
| 数据类型 | 量化性质（计算） | 生物活性（实验） | 量化性质（计算） | 分子性质（实验） |
| 分子数 | 665,911 | 数百万化合物 | 133,885 | 依任务而异 |
| 分子规模 | 重原子均值 30.6 | 类药物 | 重原子 ≤9 | 小分子为主 |
| 构象 | 每分子 3 | 不适用 | 单构象 | 不适用 |
| 波函数 | ✅ | ✗ | ✗ | ✗ |
| 与 QMugs 关系 | — | 分子来源 | 同域前作 | 实验对照 |
导航建议：从任一相关条目出发，都可经上表定位到 QMugs 的差异点；反之，从 QMugs 出发，可据「来源→chembl、前作→qm9、对照→moleculenet」三条线索回访。
§10.9 使用前自查清单（Checklist）
在正式使用 QMugs 前，建议逐项确认：
- [ ] 确认机构归属为 ETH Zurich RETHINK（勿写 EPFL/Berend Smit/Columbia）。
- [ ] 引用论文用 Sci Data 9, 273 (2022)（勿写 2021，那是预印本年）。
- [ ] 数字用精确值 665,911 / 1,992,984（概数为辅）。
- [ ] 明确数据量为未压缩 > 7 TB（非下载体积）。
- [ ] 回 ETH Research Collection 官方页确认数据集本体许可（勿仅凭论文 CC BY 4.0）。
- [ ] 若做 Δ-learning，确保在 QMugs 内部做同分子同构象配对。
- [ ] 若做性质预测，注意**单位（hartree）与距离单位（angstrom）**统一。
- [ ] 若做 train/test 划分，按分子而非按构象划分以防泄漏。
- [ ] 明确 QMugs 不含显式力（勿用于分子动力学训练）。
- [ ] 明确 QMugs 无官方基准划分（需自行设计评估）。
§10.10 检索关键词建议
在不同平台检索 QMugs 时，可用以下关键词提高命中率：
- 英文核心：QMugs、Quantum-Mechanical Properties of Drug-like Molecules、drug-like molecules QM dataset、ChEMBL quantum properties。
- 方法相关：GFN2-xTB dataset、ωB97X-D def2-SVP dataset、delta-learning dataset、wave function dataset。
- 人物/机构：Isert QMugs、Atz QMugs、Jiménez-Luna QMugs、Schneider QMugs、ETH Zurich QMugs、RETHINK QMugs。
- 标识：10.1038/s41597-022-01390-7、arXiv:2107.00367、PMC9174255、20.500.11850/482129。
- 生态：OpenQDC QMugs、qmugs sdf、qmugs summary.csv。
§10.11 与其他量化数据集的互操作提示
若计划把 QMugs 与其他量化数据集（QM9、ANI-1、PubChemQC）联合使用，注意以下互操作要点：
- 分子去重：不同数据集可能有重叠分子（QMugs 声称 96.3% 未在其他 DFT 集合出现，意味着仍有约 3.7% 可能重叠）。联合训练前应做结构级去重。
- 理论级别对齐：各数据集的泛函/基组不同（QM9 用 B3LYP/6-31G(2df,p)，QMugs 用 ωB97X-D/def2-SVP）。直接混合会引入系统偏差，建议显式建模级别差异或只做迁移。
- 单位统一：能量单位（hartree/eV/kcal/mol）与距离单位须统一。
- 构象约定：QMugs 每分子 3 构象，QM9 单构象，ANI-1 多构象，联合时须明确构象层级。
- 分子标识：QMugs 分子可回溯 ChEMBL，而 QM9/ANI 用自有标识，跨库连接需借助结构（如 InChI）而非 ID。
把这些互操作细节处理好，QMugs 才能与既有数据集形成合力，而非成为又一个孤岛。
§11 总结
11.1 三句话总结
- QMugs 是首个面向类药物大分子的大规模量子力学性质数据集合：665,911 个 ChEMBL 分子、1,992,984 个构象，未压缩逾 7 TB，出自 ETH Zurich RETHINK 组，2022 年发表于 Scientific Data。
- 它的独特卖点是「四合一」：类药物大分子 + 双理论级别（GFN2-xTB + DFT ωB97X-D/def2-SVP）+ 多构象 + 波函数（DFT 密度与轨道矩阵），此前无任何一个数据集同时满足这四点。
- 它的价值在于把 QML 的应用边界推向真实药物空间：为 Δ-learning、构象感知建模与波函数学习提供了此前缺失的大规模燃料。
11.2 适合谁
- 量子机器学习（QML）方法研究者：需要大规模、多级别、含波函数的训练/测试数据。
- Δ-learning 研究者：需要同分子同构象的两级理论配对。
- 药物设计团队：需要类药物分子的量化性质代理模型。
- 构象生成/表征学习团队：需要优化几何与多构象真值。
- 计算化学与生物活性交叉研究者：希望借助 QMugs-ChEMBL 血缘研究结构与活性关系。
11.3 不适合谁
- 只有普通工作站、无大容量存储的轻量级用户：> 7 TB 未压缩数据与 HPC 级算力需求不友好。
- 需要显式力/势能面数据做分子动力学训练者：QMugs 主打能量/性质/波函数，不含显式力。
- 需要实验测量真值者：应改用 MoleculeNet 类实验基准。
- 需要开箱即用的基准划分者：QMugs 是数据描述型数据集，不提供标准化 train/test 协议。
11.4 30 秒决策卡
| 你的需求 | 是否选 QMugs |
|---|---|
| 训练跨理论级别的分子性质模型 | ✅ 首选 |
| 做 Δ-learning（半经验 ↔ DFT） | ✅ 首选 |
| 学习 DFT 波函数/电子密度 | ✅ 首选（少数含波函数的大规模集） |
| 需要小分子（≤9 重原子）量化数据 | ⚠️ 用 QM9(105) 更合适 |
| 需要实验测量的分子性质 | ❌ 选 MoleculeNet(113) |
| 需要生物活性数据 | ❌ 选 ChEMBL(572) |
| 需要显式力/势能面数据 | ❌ QMugs 不适合 |
| 无大容量存储 / 无 HPC 资源 | ⚠️ 体量与算力门槛高 |
11.5 检索者的一页备忘
核心数字备忘（三个数）：665,911（分子）、1,992,984（构象）、> 7 TB（未压缩）。
核心机构备忘（一句话）：ETH Zurich RETHINK，通讯 Gisbert Schneider 与 José Jiménez-Luna。
核心区别备忘（一句话）：QMugs = 类药物大分子 + 双理论级别 + 多构象 + 波函数。
核心许可备忘（一句话）：论文 CC BY 4.0，数据本体回 ETH 官方页确认。
核心风险备忘（一句话）：体量大、无额外直链、不含显式力、无内置基准划分。
附录 A：核验方法与三源互证
本条目的事实均经三源互证，核验路径如下：
| 核验项 | 来源 1 | 来源 2 | 来源 3 |
|---|---|---|---|
| 作者名单与机构 | arXiv:2107.00367 affiliation | PMC9174255 作者信息 | Sci Data PDF 致谢/利益冲突 |
| 分子数与构象数 | 论文摘要（665k / ~2M） | Sci Data Table 1（665,911 / 1,992,984） | ar5iv 全文 |
| 理论级别 | 摘要（GFN2-xTB + ωB97X-D/def2-SVP） | Table 1 | OpenQDC 代码（方法枚举） |
| 许可证 | Nature 版权页（CC BY 4.0） | PMC 版权声明 | Sci Data PDF 尾注 |
| 数据获取 | ETH Research Collection handle | OpenQDC 引用链接 | libdrive 分享页路径 |
| 对比数据集 | Table 1 全表 | 论文正文 | 各前作原始论文（常识层） |
三源一致的核心结论：QMugs 由 ETH Zurich RETHINK 组制作，665,911 分子 / 1,992,984 构象，GFN2-xTB + DFT 双层，含波函数，论文 CC BY 4.0。候选情报中的机构猜测（EPFL / Berend Smit / Columbia）被三源一致证伪。
附录 B：与候选情报的出入对照
| 候选情报说法 | 一手核验结果 | 结论 |
|---|---|---|
| 「EPFL Isert/Kreiman」 | ETH Zurich，作者无 Kreiman | ❌ 证伪 |
| 「EPFL Berend Smit 组」 | ETH Zurich RETHINK，Berend Smit 非作者 | ❌ 证伪 |
| 「Columbia」 | ETH Zurich | ❌ 证伪 |
| 「>665,000 类药分子」 | 665,911 | ✅ 基本属实 |
| 「约 200 万构象」 | 1,992,984 | ✅ 属实 |
| 「>7 TB 量子化学性质」 | > 7 TB 未压缩 | ✅ 属实 |
| 「Sci Data 2021」 | 预印本 2021，正式论文 2022 | ⚠️ 需区分（论文 2022） |
提示：候选情报中「Sci Data 2021」实为把预印本年份（2021）与正式发表年份（2022）混淆。正式引用应作 Sci Data 9, 273 (2022)。
附录 C：本条目写作所依据的一手来源清单
- Isert C., Atz K., Jiménez-Luna J., Schneider G. QMugs, quantum mechanical properties of drug-like molecules. Scientific Data 9, 273 (2022). doi:10.1038/s41597-022-01390-7。URL: https://www.nature.com/articles/s41597-022-01390-7
- PMC 全文：https://pmc.ncbi.nlm.nih.gov/articles/PMC9174255
- arXiv 预印本：https://arxiv.org/abs/2107.00367
- ar5iv 全文：https://ar5iv.arxiv.org/html/2107.00367
- ETH Research Collection：https://www.research-collection.ethz.ch/handle/20.500.11850/552625 及 …/482129
- OpenQDC 文档：https://docs.openqdc.io/stable/API/datasets/qmugs.html
FAQ（高频问答 32 问）
A. 基础认知
A1：QMugs 的全称和含义？
QMugs = Quantum-Mechanical Properties of Drug-like Molecules，即「类药物分子的量子力学性质」。
A2：QMugs 是哪个机构做的？
ETH Zurich（苏黎世联邦理工学院） 化学与应用生物科学系 RETHINK 组。不是 EPFL、不是 Berend Smit 组、不是 Columbia（候选情报误传，已证伪）。
A3：谁是第一作者/通讯作者？
Clemens Isert 与 Kenneth Atz 为共同第一作者；José Jiménez-Luna 与 Gisbert Schneider 为通讯作者。
A4：什么时候发表的？
预印本 arXiv:2107.00367（2021-07-01）；正式论文 Scientific Data 9, 273，2022-06-07 发表。
A5：QMugs 是挑战赛/榜单吗？
不是。它是**数据描述型（data descriptor）**论文与数据集合，没有竞赛排名、没有内置基准协议。
B. 数据与获取
B6：一共多少分子、多少构象？
665,911 个唯一分子、1,992,984 个构象（每分子 3 个），未压缩逾 7 TB。
B7：分子从哪来？
全部提取自 ChEMBL 数据库，即具有生物/药理相关性的类药物分子。
B8：算了哪些性质？
GFN2-xTB 与 DFT 两级的原子/分子性质（部分电荷、能量、转动常数、热力学分量），以及 DFT 密度矩阵与轨道矩阵（波函数）。
B9：用什么软件/方法算的？
几何用 GFN2-xTB 优化；单点性质与波函数用 Psi4 以 ωB97X-D/def2-SVP DFT 计算。
B10：怎么下载？
经 ETH Research Collection（handle 20.500.11850/482129 与 …/552625）的 libdrive.ethz.ch 分享页获取 summary.csv 与 structures.tar.gz。无额外一键直链，体量巨大。
B11：许可是什么？
论文 CC BY 4.0；数据集本体许可须以 ETH Research Collection 官方页为准（本次未成功抓取该页正文，故不臆断）。
C. 规格与对比
B12：分子有多大？
重原子最大 100 个、平均 30.6 个——显著大于 QM9（max 9）、PubChemQC（max 51）。
B13：和 QM9 什么关系？
同域前作与后继。QM9 是 13.4 万小分子、单构象、无波函数；QMugs 是 66.6 万类药物大分子、3 构象、含波函数、双理论级别。
B14：分子数比 PubChemQC 多吗？
不是。PubChemQC 约 398 万分子，多于 QMugs 的 66.6 万。QMugs 的优势在分子更大、多构象、含波函数，不在数量。
B15：含显式力吗？
据候选情报，QMugs 不含显式力，主打能量、性质与波函数（一手摘要未明示此点，见遗留疑点）。
D. 应用
D16：能做 Δ-learning 吗？
能，而且是它的第一设计目标。同分子同构象同时具备 GFN2-xTB 与 DFT 两级结果，直接支持 Δ 目标构造。
D17：能学波函数吗？
能。QMugs 提供 DFT 密度矩阵与轨道矩阵，是少数提供波函数的大规模数据集之一。
D18：适合做分子动力学训练吗？
通常不适合——缺少显式力，MD 训练一般更需要力/势能面数据。
E. 库内与生态
D19：库内哪些条目和它相关？
chembl(572)（分子来源）、qm9(105)（同域前作）、moleculenet(113)（实验基准对照）。
D20：第三方有现成加载接口吗？
有。OpenQDC 已收录 QMugs，提供统一加载接口（定义 PotentialMethod.GFN2_XTB 与 WB97X_D_DEF2_SVP，能量单位 hartree）。
F. 工程与复现
E21：QMugs 的 SDF 里到底有哪些字段？
据论文 Table 2，SDF 存储原子级与分子级性质（如部分电荷、能量、转动常数）与热力学分量（vib./rot./transl.），支持 Δ-learning 的字段以 ◆ 标记；波函数（密度/轨道矩阵）另行提供。具体字段名以下载包与论文表为准。
E22：能直接用 PyTorch 训练吗？
不能「拿来即训」。QMugs 提供的是 SDF/CSV 原始格式，需自行编写加载与特征化流水线，或借助 OpenQDC 接口转换。把 SDF 直接喂给模型不可行。
E23：如何在 QMugs 上做 Δ-learning 的评估划分？
QMugs 不提供官方划分，使用者需自行设计（如按分子做 scaffold split 或随机划分），并注意按分子而非按构象划分以避免数据泄漏（同一分子的多个构象应落在同一侧）。
E24：计算复现需要什么环境？
需要 xTB 系（GFN2-xTB）与 Psi4 的对应版本，泛函/基组固定为 ωB97X-D/def2-SVP，并需可观的 HPC 资源。复现全量不现实，通常只复现子集。
E25：为什么叫 QMugs 这个名字？
取自 Quantum-Mechanical properties of drug-like molecules 的缩写变形，「Mugs」也有「杯子/马克杯」的谐趣感，便于记忆。论文未对命名作学术性解释，属组合缩写。
E26：数据集会更新吗？
论文为 2022 年版本；ETH Research Collection 的条目存在两个 handle，是否存在后续版本更新未在一手摘要中明示。检索者应回官方页确认最新版本。
G. 概念澄清
F27：GFN2-xTB 和 DFT 哪个「更准」？
DFT（ωB97X-D/def2-SVP）精度更高、成本更高；GFN2-xTB 是半经验方法，成本低、精度略逊但足以支撑几何优化。QMugs 用前者出高精度真值，用后者做几何优化。
F28：「构象」和「分子」是什么关系？
一个分子可以有很多构象（三维形状），构象改变不改变分子的化学组成（键连方式），只改变空间排布。QMugs 每分子给 3 个构象。
F29：「波函数」和「能量」哪个信息更多？
波函数信息更完备——理论上从波函数可以导出能量、电荷分布等性质；反之则不行。这正是 QMugs 提供波函数的价值所在。
F30：Δ-learning 为什么能省算力？
因为它学习的不是「绝对量」而是「两个方法之间的差」。差值通常比绝对值小得多、更平滑，模型更容易学，从而用廉价方法 + 小模型逼近昂贵方法的精度。
F31：「类药物分子」有严格定义吗？
通常指符合 Lipinski 类规则（分子量、脂溶性、氢键供受体数等在合理范围）的化合物。「类药物」是一个连续概念而非硬边界，QMugs 的分子来自 ChEMBL，天然偏此类。
F32：QMugs 的数据能用于商业产品吗？
论文部分 CC BY 4.0 允许（需署名）；数据文件部分须以 ETH Research Collection 官方页许可为准，商业用途务必先核实。
结语
QMugs 是量子机器学习从「小分子玩具」走向「类药物真实分子」的一个关键台阶。它用一次昂贵的计算投入，换来了四个此前难以兼得的东西——大分子、双级别、多构象、波函数——并以此成为 QML 与药物发现交叉领域的重要数据基础设施。它的局限（来源单一、不含显式力、体量与许可门槛）同样清晰，检索者应在充分理解其能力边界的前提下使用。
本条目所有硬数字与结论均以一手来源为准，双口径与遗留疑点已在 §9 逐条存照。若发现与官方来源不符之处，请以官方来源为准并反馈编辑部修订。
修订与反馈
- 版本：v1（2026-10-16），基于 Sci Data 9, 273 (2022) 及配套一手来源。
- 核验等级：三源互证（arXiv / PMC / Sci Data PDF + ETH Research Collection 引用 + OpenQDC）。
- 已知未决：ETH Research Collection 数据集页正文未成功抓取，数据集本体许可与双 handle 版本关系待人工复核。
- 反馈渠道：如发现数字错误、机构误传或遗漏的重要信息，请附一手来源反馈千方病案医学编辑部。
- 更新机制：若 QMugs 发布新版本或数据集页许可明确，本条目将据一手来源修订并更新
lastReviewed。
事实清单（硬事实 40 条）
- 官方名：QMugs（Quantum-Mechanical Properties of Drug-like Molecules）。
- 论文：Isert C., Atz K., Jiménez-Luna J., Schneider G.，Scientific Data 9, 273 (2022)。
- DOI：10.1038/s41597-022-01390-7。
- 预印本：arXiv:2107.00367（v1 2021-07-01，v2 2021-07-30）。
- PMCID：PMC9174255；PMID：35672335。
- 投稿/接收/发表：2021-08-15 / 2022-05-17 / 2022-06-07。
- 机构：ETH Zurich 化学与应用生物科学系 RETHINK 组。
- 通讯作者：Gisbert Schneider 与 José Jiménez-Luna。
- 共同一作：Clemens Isert 与 Kenneth Atz。
- J.J.-L. 兼 Boehringer Ingelheim；G.S. 兼 ETH Singapore SEC Ltd。
- 资助：ETH RETHINK、瑞士国家科学基金会（grant no. 205321_182176）、Boehringer Ingelheim。
- 分子数：665,911（概述「more than 665k」）。
- 构象数：1,992,984（概述「~2 M」）。
- 每分子构象：3。
- 未压缩数据量：> 7 TB。
- 重原子最大：100；均值：30.6。
- 分子来源：ChEMBL。
- 计算级别：GFN2-xTB + DFT ωB97X-D/def2-SVP。
- 软件：Psi4。
- 提供数据：部分电荷、能量、转动常数、热力学分量、DFT 密度与轨道矩阵。
- 约 641k（96.3%） 分子此前未见于其他 DFT 数据集合。
- 数据集发布：ETH Research Collection。
- handle：20.500.11850/482129 与 20.500.11850/552625（双口径）。
- 分享页：libdrive.ethz.ch/index.php/s/X5vOBNSITAG5vzM/（summary.csv、structures.tar.gz）。
- 论文许可：CC BY 4.0。
- 数据集本体许可：以 ETH Research Collection 官方页为准（未成功抓取）。
- 对比 QM9：133,885 分子 / 133,885 构象 / 重原子 max 9（8.8）/ 无波函数。
- 对比 ANI-1：57,462 分子 / 22,057,374 构象 / 重原子 max 8（7.1）。
- 对比 PubChemQC：3,982,436 分子 / 3,982,436 构象 / 重原子 max 51（14.1）。
- 第三方生态：OpenQDC 收录（能量单位 hartree）。
- 距离单位（OpenQDC 记录）：angstrom。
- 计算属性类别：原子级（部分电荷）+ 分子级（能量、转动常数）+ 热力学分量。
- 波函数形态：原子轨道局域基下的 DFT 密度矩阵与轨道矩阵。
- 每分子 3 构象，构象总数 1,992,984（与 665,911×3 存在约 4,749 差额，未获解释）。
- 论文类型：Scientific Data Data Descriptor（数据描述型）。
- 论文开放获取，正文与图表 CC BY 4.0。
- 论文未定义官方 train/test 划分或基准协议。
- 论文对比对象：QM9、ANI-1、PubChemQC（Table 1、Fig. 1b、Fig. 2）。
- 致谢特别感谢 ETH Research Collection 团队与 ETH 集群团队。
- 资助方之一为 Boehringer Ingelheim Pharma GmbH & Co. KG（工业界参与）。
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- tdc — 共享标签：药物发现与化学 / 多模态 / 评测基准
- complexportal — 共享标签：药物发现与化学 / 多模态
- openbind — 共享标签：药物发现与化学 / 评测基准
- pubchem-pcba — 共享标签：药物发现与化学 / 评测基准
- guacamol-moses — 共享标签：药物发现与化学 / 评测基准
- rex-in-the-wild — 共享标签：多模态 / 评测基准
- microvqa — 共享标签：多模态 / 评测基准
- aqsoldb — 共享标签：药物发现与化学 / 评测基准
- psbench — 共享标签：药物发现与化学 / 评测基准
- bigideaslab-step-hr-smartwatch — 共享标签：多模态 / 评测基准
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
