USPTO-50k — 美国专利反应提取集 AI-Ready Wikipedia

USPTO-50k — 美国专利反应提取集 AI-Ready Wikipedia

---

INFOBOX

数据集名称	USPTO-50k（美国专利反应提取集）
英文全称	USPTO-50k: 50k subset of Chemical reactions from US patents (1976-Sep2016)
别名/简称	USPTO-50K、Schneider 50k、Lowe 50k 子集、USPTO-50000
疾病分类	非患者级数据集；覆盖药物专利相关治疗领域（ICD-11 章级）：2A00–2F9Z 肿瘤 / BA00–BE2Z 循环系统 / 1A00–1H0Z 感染与寄生虫病 / 8A00–8E9Z 神经系统（详见 §2.1）
SNOMED CT	703503005 Drug discovery (procedure)（详见 §2.1b）
数据模态	化学反应式（reaction SMILES：reactants>agents>products，含 atom-map 编号）+ 反应类标签
AI 任务类型	单步逆合成预测（retrosynthesis）、反应分类、反应角色划分、反应模板抽取
样本总数	50,016 条反应（社区通行划分 40,008/4,997/5,011）
数据大小	约 10 MB 量级（50,016 行纯文本反应式，按行均长估算）
数据格式	TXT/CSV（每行一条反应 SMILES；TDC 版为 TSV/.tab）
许可证	开放许可（OpenDataLab 标注 CC0 1.0；figshare 分发开放获取）
访问级别	开放（无需注册、无 DUA）
DUO 标签	GRU（通用研究使用）
语言	英文（源自美国专利文本；本子集仅含化学结构式）
首发日期	2012（Lowe 博士论文抽取管线）/ 2016-12（Schneider et al. JCIM 整理发表）
最后更新	2017-06（Lowe figshare v1；数据截止 2016-09）
发布机构	Novartis Institutes for BioMedical Research / T5 Informatics GmbH（整理）；University of Cambridge（抽取）
官方主页	TDC USPTO-50k 页面
下载地址	figshare 全量包 · ACS SI 原始分发
DOI	10.1021/acs.jcim.6b00564（整理论文）；数据 10.6084/m9.figshare.5104873.v1
引用次数	What’s What 279+ / Big Data from Pharmaceutical Patents 465+（Google Scholar，截至 2026-09）
AI 就绪度评分	⭐⭐⭐⭐（4/5）— TDC 一键加载、划分通行、纯文本即取即用；扣分项：atom-map 解析、试剂角色处理与模板抽取需自行实现，无官方预处理脚本
页面状态	published

---

§0 E-E-A-T 审核声明

医学审核者：千方病案医学编辑部交叉审核：§2 医学背景（ICD-11 治疗领域锚定与 SNOMED CT 映射、逆合成任务的临床与产业定位、金标准描述）、§7 偏倚分析。

数据工程审核者：千方病案医学编辑部交叉审核：医疗 AI 数据工程师，审核范围：§4 DAIMS 数据字典（反应式字段与反应类标签）、§5 数据划分策略、§6 预处理 Pipeline 和坑点。

审核日期：2026-09-05

审核方式：交叉审核

利益冲突声明：千方病案医数集与 Novartis、T5 Informatics、University of Cambridge 及任何相关机构无商业利益关联。本页面不销售 USPTO-50k 数据集本身，仅提供 AI 就绪指南与学术信息服务。编辑者未接受上述机构的任何形式资助。

医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。

技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。

数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。USPTO-50k 以开放许可分发（figshare / ACS Supporting Information / TDC 镜像，OpenDataLab 标注 CC0 1.0），无需注册或签署数据使用协议即可下载；但请在成果中按要求引用 Schneider et al. 2016 与 Lowe 2017，且不得将数据集中的反应记录直接等同于"经实验验证的可行合成方案"。DUO 标签仅供参考，具体使用限制以数据集官方协议为准。

---

§1 数据集概览

§1.0 📌 30 秒速览

这是什么？ USPTO-50k 是一个包含 50,016 条化学反应的公开数据集。这些反应不是实验员手工录入的，而是由 Daniel Lowe 在剑桥大学读博期间开发的文本挖掘管线，从 1976 年到 2016 年 9 月的美国授权专利全文中自动"读"出来的。每条反应以一行 SMILES 文本表示（反应物>试剂>产物），原子间带着映射编号，并被 Novartis 的化学信息学家整理成 10 个反应类型类别。

为什么重要？ 设计一个新药分子不难，难的是"怎么把它合成出来"。逆合成预测（retrosynthesis）——从目标分子倒推反应物——正是 AI 辅助合成规划的核心问题，而 USPTO-50k 是这一领域几乎所有模型（GLN、MEGAN、Chemformer、RootAligned 等）共同使用的"标准考场"。它规模适中、格式统一、开放免费，让数百篇论文的方法可以直接同台比较。

我能用它做什么？ 训练一个输入产物、输出反应物的逆合成模型；做反应类型分类器；抽取反应模板构建模板库；评估你提出的图神经网络或 Transformer 架构在合成规划任务上的表现。如果你在做 AI4Science、化学信息学或药物发现方向的模型研究，它几乎是你绕不开的第一个反应数据集。

§1.1 技术摘要

USPTO-50k 的生产链路分三步。第一步抽取：Lowe 的管线对 USPTO 专利全文做光学识别与化学实体识别，解析出分子结构与反应角色，输出约 180 万条带原子映射（atom-mapped）的反应 SMILES（1976-Sep2016，figshare DOI 10.6084/m9.figshare.5104873.v1）。第二步整理：Schneider、Stiefl 与 Landrum（Novartis）从中随机抽取 50,016 条反应，用其指纹驱动的角色分配算法厘清反应物与试剂角色，并按反应类型整理为 10 类，随论文 “What’s What: The (Nearly) Definitive Guide to Reaction Role Assignment”（J. Chem. Inf. Model. 2016, 56(12):2336–2346）的 Supporting Information 公开。第三步基准化：社区将固定划分为约 40k/5k/5k（常见具体数字 40,008/4,997/5,011），以"未知反应类型"口径的 top-k 准确率作为标准指标，逐渐演化为逆合成领域事实上的标准基准。数据为纯文本 SMILES，每行一条反应，总大小约 10 MB 量级，开放许可、无需申请。

§1.2 战略价值

维度一：为生成式合成规划提供可比基准。 逆合成模型五花八门——模板基（GLN、LocalRetro）、半模板（GraphRetro）、无模板（Chemformer、RootAligned、MEGAN）——但社区长期缺乏统一评测。USPTO-50k 以其适中的规模（50,016 条，单卡数小时即可训练）和固定的测试集，让不同架构在完全相同的数据上比拼 top-k 准确率；2024 年起 Syntheseus 框架进一步统一了各模型的输出协议，使跨论文比较更可信（RetroGFN, arXiv:2406.18739）。对研究者而言，这意味着"今天训练的模型能否与 2019 年的 GLN 直接对话"。

维度二：药物发现管线中的上游数据资产。 合成可行性是药物分子可开发性的硬约束之一。USPTO-50k 覆盖的正是制药工业界专利中"药物化学家的日常化学"——Schneider 等人对同一专利库的计算分析表明，专利反应集中于药物化学家常用的十余类转换（Big Data from Pharmaceutical Patents, J. Med. Chem. 2016）。以它为预训练或评测底座的逆合成模型，下游可接入合成路线规划系统（如多步规划树搜索），支撑"设计-合成性评估-路线生成"的闭环，是分子生成与分子优化工作流中评估"可制造性"的参照系。

§1.3 同类数据集横向对比

数据集	规模	模态/表示	标注	许可	与 USPTO-50k 的差异化
USPTO-50k	50,016 条反应	reaction SMILES（atom-mapped）	10 类反应类型	开放许可（OpenDataLab 标注 CC0 1.0）	规模适中、10 类标签、逆合成标准基准
USPTO-MIT	479,035 条	反应 SMILES（Mixed/Separated 两版）	无反应类标签	开放	前向反应预测主基准（Jin et al. 2017）
USPTO-STEREO	1,002,970 条	反应 SMILES（含立体化学）	立体化学结果	开放	立体选择性预测任务
USPTO-full（Lowe 2017）	约 180 万条	反应 SMILES（atom-mapped）	无	开放获取	原始全量池，供自行构建子集
Open Reaction Database (ORD)	200 万条以上	protobuf 结构化（含条件/产率）	上下文元数据	CC-BY-SA	社区共建、字段更富，但格式重、子集质量参差
Pistachio（NextMove Software）	百万条级	结构化反应记录	角色/产率/条件	商业许可	专利来源相同但商业闭源，质量与覆盖更优

§1.4 版本时间轴

时间	事件
2012	Daniel Lowe 博士论文《Extraction of Chemical Structures and Reactions from the Literature》（University of Cambridge）发布专利反应抽取管线与首批数据（引用记录）
2016-12	Schneider, Stiefl & Landrum 在 J. Chem. Inf. Model. 56(12):2336–2346 发表 “What’s What”，Supporting Information 含 50,016 条反应（DOI 10.1021/acs.jcim.6b00564）
2017-06	Lowe 将 1976-Sep2016 全量数据（约 180 万条）发布于 figshare（DOI 10.6084/m9.figshare.5104873.v1）
2017-12	Jin et al.（NeurIPS）发布 USPTO-MIT（479,035 条），前向预测基准成型
2019	Schwaller et al. Molecular Transformer（ACS Cent. Sci. 5(9):1572–1583）确立序列到序列反应预测范式
2019-2022	GLN（NeurIPS 2019）、MEGAN、RootAligned（ICLR 2022）、Chemformer（2022）在 USPTO-50k 上密集刷榜
2024	Syntheseus 框架统一评估协议，RetroGFN 论文给出各模型同协议对比表（arXiv:2406.18739）
2025	EMNLP 2025 Findings 批评性研究系统指出专利偏倚与教科书化学缺失问题

§1.5 典型应用场景

1. 单步逆合成模型训练与基准：输入目标产物 SMILES，输出候选反应物集合，报告 top-k 准确率——这是该数据集的第一用途，也是绝大多数逆合成论文的标配实验。
2. 反应类型分类器：以 10 类标签为监督训练反应分类器，或反过来用现成分类器（如 rxnfp 思路）为新反应打标。
3. 反应模板库构建：从训练集抽取约 10,386 个唯一模板（RetroComposer, Biomolecules 2022），供模板基逆合成或前向验证使用。
4. 反应角色分配算法评测：复现 Schneider et al. 2016 的原始任务——判定哪些分子是真正反应物、哪些只是试剂溶剂。
5. 合成可达性（synthetic accessibility）信号：在分子生成任务中用逆合成模型的预测置信度作为"是否容易被合成"的代理指标。

---

§2 医学背景

§2.1 ICD-11 治疗领域锚定

USPTO-50k 不是患者级临床数据集，而是化学反应数据集——它锚定的不是单一疾病，而是**"药物分子的可合成性"这一横切能力**。其反应记录源自美国专利，覆盖的分子类型以小分子药物及其中间体为主，因此其"医学定位"体现为对下述治疗领域药物化学工作的支撑（示意性章级映射，数据集本身不含疾病标签）：

治疗领域	ICD-11 对应	在专利反应中的体现
肿瘤用药	2A00–2F9Z 肿瘤（章级）	激酶抑制剂等抗肿瘤小分子的偶联/杂环构建反应
循环系统用药	BA00–BE2Z 循环系统疾病（章级）	降压、调脂类药物中间体的酰化与取代反应
感染性疾病用药	1A00–1H0Z 感染与寄生虫病（章级）	抗生素、抗病毒药物骨架的杂环形成反应
神经系统用药	8A00–8E9Z 神经系统疾病（章级）	中枢神经药物中间体的还原/氧化与官能团转换
全领域共性	覆盖各章节药物的化学合成方法学	保护/去保护、C–C 键构建等通用反应类型

§2.1b SNOMED CT 映射

概念	SNOMED CT 编码	说明
Drug discovery (procedure)	703503005	数据集服务的上层医学-产业流程；反应数据是该流程中"可合成性评估"环节的训练资源

化学反应式本身没有对应的 SNOMED 临床概念——SNOMED CT 描述临床发现与操作，而 USPTO-50k 的记录是化学实体。上表仅给出数据集在医学语境中的过程性定位；对疾病层面的术语映射请参考各治疗领域药物说明书与 ICD-11 条目，而非本数据集。

§2.2 背景简介：专利化学与药物合成

化学合成是把分子"造出来"的科学，而专利文献是工业界合成知识最集中的公开载体。美国专利要求公开"使本领域技术人员能够实施"的实验细节，因此专利中的实验段落记录了数十年间制药与精细化工的真实反应实践。1976 年起美国专利全文数字化，使规模化文本挖掘成为可能：Lowe 的管线证明，仅美国授权专利即可产出约 180 万条结构化反应（1976-Sep2016）。

从医学产业视角看，这批数据的主体是"药物化学家的日常化学"：Schneider、Lowe、Sayle、Tarselli 与 Landrum 对专利反应分布的计算分析（J. Med. Chem. 2016, 59(9):4385–4402）显示，专利反应集中于药物化学常用转换类型，而非学术化学的探索性前沿。这决定了 USPTO-50k 的能力边界——它擅长回答"类药物分子怎么合成"，而不是"任意化学反应会发生什么"。另需强调：数据集不含任何患者信息，"流行病学"概念在此不适用，其"人群"是分子与反应。

§2.3 AI 任务定义

USPTO-50k 支撑四类核心 AI 任务，理解它们的输入输出与评价口径是正确使用数据集的前提：

任务	输入 → 输出	标准指标	主数据集口径
单步逆合成	产物 SMILES → 反应物集合	top-1/3/5/10 accuracy、round-trip accuracy	未知反应类型（type-unknown）为默认
前向反应预测	反应物+试剂 → 产物	top-k accuracy	USPTO-50k 可用，但社区更常用 USPTO-MIT
反应分类	反应式 → 10 类之一	macro/micro F1	10 类标签即本数据集特有
反应角色划分	反应式 → 反应物/试剂角色	角色准确率	Schneider et al. 2016 原始任务

其中逆合成是旗舰任务：类比"翻译"，模型学习把产物"逆向翻译"回反应物。类型已知（type-known）与类型未知（type-unknown）双口径必须区分——前者把 10 类标签作为条件喂给模型（更简单），后者要求模型自行发现反应中心（更难，也是默认口径）。同一模型在两个口径下的 top-1 可差 10 个百分点以上（如 MARS 报告 66.2% vs 54.6%，Bioinformatics 2024），跨口径比较是新手最常见的错误。

§2.4 数据来源构成

USPTO-50k 无"患者人群"，以下为其数据来源画像：

维度	内容
原始来源	USPTO（美国专利商标局）授权专利全文
抽取时间窗	专利授权年代 1976–2016 年 9 月
抽取方式	光学识别 + 化学实体识别的自动文本挖掘管线（Lowe 博士论文工作）
母池规模	约 180 万条反应（figshare 全量版）
子集构成	随机抽取并整理 50,016 条，赋 10 类标签
语言	英文专利文本（子集仅保留反应式）
地域	美国（USPTO 管辖专利）

§2.5 临床与产业价值

USPTO-50k 不直接参与临床决策，但通过合成规划间接影响药物可及性。一个新分子若无法以合理成本合成，便永远无法到达患者。以 USPTO-50k 训练的逆合成与前向预测模型，已成为计算机辅助合成规划（CASP）系统的核心部件，在药企的分子设计-评估循环中承担"合成可行性过滤器"的角色。对学术研究者，它是方法创新的试金石；对开源社区，它是少数可自由下载、规模与质量平衡良好的反应语料；对教学场景，它以纯文本 SMILES 的极低使用门槛，成为计算化学课程讲解 AI4Science 的入门教具。

§2.6 金标准描述

属性	USPTO-50k 的对应物
金标准地位	单步逆合成预测的事实标准基准（de facto benchmark），2019-2024 年几乎所有逆合成论文的必选评测集
“划分”	无官方划分；社区通行 40,008/4,997/5,011（训练/验证/测试），按未知反应类型口径评测
标注方式	自动标注：原子映射由 Lowe 管线算法生成；反应角色由 Schneider et al. 指纹算法分配；10 类标签由指纹分类器赋予
标注者资质	无逐条人工标注；算法方法经手工核对子集验证（Schneider et al. 2016：约 680 条手工整理反应上准确率 88%）
性质	专利来源的自动挖掘数据，非实验复测数据；反应记录代表"专利中报告过的做法"，不是"实验验证过的最优条件"

---

§3 数据集规格

§3.0 版本抉择矩阵

“USPTO” 名下有多个高频混淆的版本。动工前先对号入座：

你的需求	推荐版本	大小量级	理由
逆合成模型训练/刷榜	USPTO-50k（本页主角，Schneider et al. 2016 SI 或 TDC 版）	约 10 MB	唯一带 10 类标签的通行基准，划分固定，结果可比
前向反应预测	USPTO-MIT（479,035 条，Mixed/Separated）	约 100 MB 量级	Jin et al. 2017 定义的前向预测标准基准
立体选择性建模	USPTO-STEREO（1,002,970 条）	约 200 MB 量级	保留立体化学信息的扩展版
自建子集/大规模预训练	USPTO-full（Lowe 2017 figshare，约 180 万条）	数百 MB-GB 级	原始全量池，自由构建
一键加载、快速教学	TDC 的 USPTO-50K 镜像	自动缓存	PyTDC 三行代码即取

⚠️ 同名陷阱：figshare 包内亦有 “USPTO-50K_raw” 等文件，与 Schneider SI 版在行数与字段上存在出入（不同论文报告的总数在 48k-50k 间浮动；RetroComposer 附录的 10 类构成加总为 50,382），复现文献数字前务必确认数据来源版本（见坑点 7）。

§3.1 模态详情

数据集是单模态纯文本数据集，模态为化学反应式：

• 反应 SMILES：每行一条 reactants>agents>products 三段式记录，段内多个分子以 . 连接。例如（示意格式）CCOc1ccccc1N>CC(=O)Oc1ccccc1C(=O)O 表示反应物段、试剂段与产物段。
• 原子映射编号（atom-map）：关键原子带 :n 编号（如 [CH3:1]），标记同一原子在反应物与产物中的对应关系，是模板抽取与反应中心识别的基石。编号由 Lowe 管线自动生成。
• 反应类标签：整数 1-10，由 Schneider et al. 的指纹分类器赋予（类别名与构成见 §3.2）。

无图像、无光谱、无文本叙述；产率、温度、溶剂等条件信息在 50k 子集中不保留（试剂段的分子可视为残余条件线索，但角色不可靠，见坑点 1）。

一条记录的解剖（示意格式，非逐字样本）：

CC(=O)Oc1ccccc1C(=O)O.CNc1ccc(S(=O)(=O)Nc2nccs2)cc1.CCN(CC)CC>>CC(=O)Oc1cc(OC)ccc1C(=O)O
└────────── 反应物段（"." 连接多分子）──────────┘└试剂段┘└──────────── 产物段 ────────────┘

实际记录中关键原子带映射编号，如 [NH:7]H、[C:3](=O)，编号 n 在反应物与产物两侧一致，
表示"编号 7 的氮"在反应前后被追踪；分隔符语义固定为 reactants>agents>products。

要点：三段式由 > 分隔、段内分子由 . 分隔；试剂段可能为空；atom-map 编号只保证同一反应内一致。

§3.2 按子集样本数（10 类构成）

10 类反应类型及构成如下（来源：RetroComposer, Biomolecules 2022, 12, 1325 附录 Table A1；该表加总为 50,382，与 50,016 的主流计数存在版本性出入，使用时以你下载的实际文件为准）：

类型	反应类型名称	反应数	占比（按 50,016 计）
1	Heteroatom alkylation and arylation（杂原子烷基化/芳基化）	15,204	30.4%
2	Acylation and related processes（酰化及相关过程）	11,972	23.9%
3	C–C bond formation（C–C 键形成）	5,667	11.3%
4	Heterocycle formation（杂环形成）	909	1.8%
5	Protections（保护）	672	1.3%
6	Deprotections（去保护）	8,405	16.8%
7	Reductions（还原）	4,642	9.3%
8	Oxidations（氧化）	822	1.6%
9	Functional group interconversion（官能团转化）	1,858	3.7%
10	Functional group addition（官能团添加，FGA）	231	0.5%

§3.3 数据格式表

格式	提供方	说明
ZIP 内文本文件	ACS Supporting Information（官方原始分发）	50,016 条反应 SMILES，每行一条
7z 全量包内子集	figshare（Lowe 2017）	含全量 CSV 及派生子集文件
TSV（.tab）	PyTDC 镜像	列含反应式与标签，get_split() 直接给三划分
CSV/JSONL	各 GitHub 镜像（社区整理）	常附带 train/val/test 预切分文件，需核对版本

§3.4 存储大小

USPTO-50k 本体为约 10 MB 量级的纯文本（50,016 行反应 SMILES）；ACS SI 的 ZIP 包解压后即为此量级。对比之下，figshare 母集（约 180 万条）为数百 MB 量级，ModelScope 上 jablonkagroup/uspto 整合镜像约 261.03 MB。任何现代设备均可全量载入内存（pandas.read_csv 单文件直读，无需分块）。

§3.5 标注方式

三层标注全部为自动/算法标注，无逐条人工环节：

标注层	方法	来源
原子映射	Lowe 管线的自动原子-原子对应算法	Lowe 2012 博士论文
反应角色（反应物 vs 试剂）	指纹驱动的数据驱动角色分配算法（已并入 RDKit）	Schneider et al. 2016
10 类反应类型	反应指纹 + 分类器	Schneider et al.（分类工作，通常引用 Schneider et al. 2016 JCIM）

算法质量的量化锚点来自 Schneider et al. 2016 论文本身：角色分配在约 680 条手工整理的多样化专利反应上达到 88% 准确率，在 50,000 条随机专利反应对照集上达到 97%，单条中位耗时约 8 ms（论文摘要）。

§3.6 标注者资质与一致性

无人工标注团队。算法开发者为 Novartis 化学信息学团队（Schneider、Stiefl）与 RDKit 维护者（Landrum），具备工业级化学信息学资质；方法经两组人工基准集验证（见 §3.5）。需注意：一致性指标（如标注者间 Kappa）在此不适用；替代性的质量证据是角色的算法准确率与下游任务上的长期复现稳定性。

§3.7 采集周期

抽取对象为 1976-2016 年 9 月间授权的美国专利（约 40 年时间窗）；数据集本体发布于 2016 年 12 月（JCIM 出版）与 2017 年 6 月（figshare v1），此后静态不再更新。

§3.8 地域覆盖

仅覆盖 USPTO 管辖的授权专利（美国专利体系）。专利申请人来自全球药企与科研机构，因此化学"内容"具有国际性，但文献来源单一（无 EPO、JPO、WIPO 专利）。

§3.9 抽取管线规格

数据集不含医疗设备信息，其"设备规格"对应抽取软件栈：

组件	作用
光学识别（OCR）	将专利扫描件（1976-1990s 段）转为文本
化学实体识别	定位命名实体、结构图与反应段落
名称/结构解析	将化学名转为 SMILES（OPSIN 类技术路线）
原子映射算法	自动建立反应前后原子对应
角色分配与分类	Schneider et al. 指纹算法（RDKit 可调用）

§3.10 深度溯源链

层级	内容	可溯源性
原始文献	USPTO 授权专利全文（1976-Sep2016）	公开可查
抽取方法	Lowe 博士论文（Cambridge, 2012）全文公开	可溯
整理方法	Schneider et al. 2016 JCIM 论文 + SI 数据集与笔记本	可溯（SI 含数据与评估用 Jupyter notebook）
数据本体	figshare DOI 10.6084/m9.figshare.5104873.v1	持久 DOI
镜像分发	TDC / OpenDataLab / ModelScope 等各镜像	需自行核对版本一致性

---

§4 数据结构

§4.0 目录树

以下为本百科 §6 工作流的推荐目录组织（ACS SI 原始分发为纯文本行格式，PyTDC 版为 TSV；我们用脚本统一整理为 CSV 工作区）：

uspto50k_workdir/
├── data/
│   ├── uspto_50k.tab          # PyTDC 下载的原始 TSV（含反应式与 10 类标签列）
│   ├── train.csv              # §6.3 脚本产出：40,008 行
│   ├── val.csv                # §6.3 脚本产出：4,997 行
│   ├── test.csv               # §6.3 脚本产出：5,011 行
│   └── templates.json         # §6.3 脚本产出：rdchiral 抽取的模板库
└── outputs/
    ├── predictions/           # 模型 beam search 输出（每产物 top-k 候选）
    └── metrics/               # top-k / round-trip 评估结果

§4.1 DAIMS 字段字典

字段名	类型	说明	示例值	AI 用途	观测误差	信息性缺失编码	取值范围
canonical_rxn	文本	完整反应 SMILES，reactants>agents>product	CC(C)N…>>O=C(O)…	模型输入本体	抽取/规范化错误（坑点 4、7）	无（三段均可为空串）	合法 reaction SMILES
reactants	文本	反应物段（多分子以 . 连接，含 atom-map）	[CH3:1][C:2](=O)O…	逆合成的监督目标	角色错位（试剂混入，坑点 1）	空串=无反应物段（罕见，应视为坏行）	1 个或多个 SMILES
agents	文本	试剂/催化剂/溶剂段	CCN(CC)CC	条件建模（不可靠，坑点 1）	系统性缺失（约 50% Suzuki 缺 Pd）	空串=未抽取到试剂（高频且信息性）	0 个或多个 SMILES
product	文本	产物段（通常单分子，含 atom-map）	O=[N+]([O-])c1ccccc1	逆合成输入/前向预测目标	结构解析错误（罕见）	无	1 个 SMILES
class	整数	10 类反应类型标签	3	分类任务目标；type-known 条件	分类器错误（自动标注）	无	1-10
atom-map 编号	文本内嵌	原子上的 :n 后缀	[NH2:5]	反应中心定位、模板抽取	自动映射错误（坑点 6）	无映射=未编号原子	正整数（同反应内一致）
split（TDC/社区版）	类别	划分归属	train	评测协议	非官方划分，版本差异（坑点 2）	无	train/val/test
rxn_id（TDC 版）	整数	行序标识	12345	结果对账	镜像间不互通	无	0-50,015

§4.2 标签分布

10 类标签分布见 §3.2 表。核心特征：前两类（烷基化/芳基化 + 酰化）合计约 54%，构成数据的主体；类 4（杂环形成）、类 5（保护）、类 10（FGA）三组合计不足 4%。训练分类器或条件生成模型时必须正视这一长尾（见坑点 5）；评测逆合成时若按类分解报告，小类的 top-k 数字波动会很大。

§4.3 关键统计

统计项	数值	来源
反应总数	50,016	TDC/OpenDataLab
训练集可抽取唯一模板数	10,386	RetroComposer, Biomolecules 2022
测试集模板覆盖率	94.08%	同上
每反应平均模板数	2.23	同上
每反应平均反应物数	1.71	同上
角色分配准确率（手工集 680 条 / 随机 5 万条）	88% / 97%	Schneider et al. 2016 JCIM
角色分配中位耗时	约 8 ms/条	同上

§4.4 数据层级

数据为扁平单层结构：一条记录 = 一条反应。无"患者→检查→序列"式的多级层级，也无跨表外键（TDC 版的 rxn_id 是行序号而非语义键）。这意味着：

• 不存在跨表 join 的工程负担，pandas 单表操作即可完成全部预处理；
• 但也没有专利号、文献出处、实验条件等溯源字段——想追查某条反应来自哪篇专利，需回到 figshare 全量版或原始专利检索；
• 反应之间的化学关联（如同一产物的多条路线）需通过 product 的 canonical 化自行重建。

拿到任何版本的 USPTO-50k 文件后，建议先跑一遍统计自验，确认你手里的版本与本文数字是否一致：

# uspto50k_workdir/verify.py —— 版本体检：行数/类分布/重复率
import re
import pandas as pd
from collections import Counter

df = pd.read_csv("uspto50k_workdir/data/uspto_50k.tab", sep="\t")
rxn_col = [c for c in df.columns if "rxn" in c.lower()][0]
cls_col = [c for c in df.columns if "class" in c.lower() or c == "label"][0]

print("总行数:", len(df))                                   # 主流计数应为 50,016
print("类分布:", sorted(Counter(df[cls_col]).items()))       # 对照 §3.2 十类构成
canon = df[rxn_col].str.replace(r":\d+\]", "", regex=True)
print("整反应级重复率: %.2f%%" % (100 * (1 - canon.nunique() / len(df))))

若总行数、类分布与你依赖的对标论文不一致，请回到坑点 7 检查数据来源版本。

§4.5 缺失值与信息性缺失

字段	缺失形态	是否信息性	处理建议
agents	空串（高频）	是：代表"专利原文未把试剂记入反应式"，而非"该反应无试剂"	逆合成任务默认合并试剂段与反应物段（见坑点 1）；条件生成任务需显式建模"试剂缺失"通道
atom-map	个别原子无编号	部分信息性：映射算法失败的痕迹	模板抽取前过滤无映射反应
class	无缺失	—	1-10 全覆盖
product	无缺失	—	抽取管线保证
反应条件（温度/产率）	整字段不存在	是：50k 子集设计上不保留条件	条件研究请转向 USPTO 全量版或 ORD

---

§5 划分与使用建议

§5.1 官方划分：并不存在

与许多数据集不同，USPTO-50k 没有官方划分——Schneider et al. 2016 的 SI 给出的是 50,016 条整理结果，未规定训练/测试切分。所谓"标准划分"是社区在 GLN（NeurIPS 2019）等工作中逐步固化的约定：约 40k/5k/5k，通行具体数字为 40,008 / 4,997 / 5,011（加总恰为 50,016），且逆合成评测默认未知反应类型口径。

§5.2 社区惯例与获取方式

获取方式	划分形态	注意事项
TDC get_split()	随机三划分	便于快速起步；与其他论文的划分文件不保证逐条一致
GLN/MEGAN/Chemformer 生态划分文件	40,008/4,997/5,011	刷榜对标时应采用与对标论文相同的划分文件
自行划分	任意	仅用于方法学研究，不可与文献数字比较

§5.3 泄漏风险（重点）

USPTO-50k 的泄漏风险有三种形态，均已被文献证实或高度怀疑：

1. 重复反应跨划分：随机抽样天然包含重复反应记录；若不去重直接划分，同一反应可同时出现在训练与测试集。RSC Digital Discovery 2024 的复现研究明确指出 RetroXpert 的报告值因 USPTO-50k 已知数据泄漏问题而虚高（d4dd00007b）。
2. 产物级近似重复：同一产物可由多条反应记录合成，产物出现在测试集而其"同款反应物"在训练集，模型可能记住产物-反应物搭配。
3. 预划分文件混用：不同论文的自定义划分互不兼容，用 A 划分训练的模型在 B 测试集上评估会产生不可解释的偏差。

缓解措施见坑点 2；推荐原则：canonical 化 → 全局去重 → 固定通行划分 → 划分文件入库存档。

§5.4 交叉验证建议

逆合成文献惯例是单次固定划分，不做 K 折。若你的研究需要方差估计（例如小模型消融实验），建议：在训练集内部做 5 折（保持 10 类标签分层抽样），测试集保持不动、仅报告一次；绝不要对全量 50,016 条做 K 折后再与文献 top-k 比较——那会使测试集信息进入训练，数字不可比。

§5.5 外部验证建议

在 USPTO-50k 上训练的模型，建议至少在一个外部集合上验证泛化：

• USPTO-MIT：RetroGFN 论文的做法——用 USPTO-50k 训练的模型在（去重叠后的）USPTO-MIT 上测泛化（arXiv:2406.18739）；
• 时间外推：用 2016 年截止前的数据训练、在 2016 年后专利反应（如 ORD 中有出处字段的数据）上评估，检验时间漂移；
• 域外反应类型：光催化、电化学等专利中出现稀少的反应类型，构造小型人工评测集考察失效模式（呼应 §7.3）。

无论采用哪种划分，都应先做一次泄漏体检——确认三个划分互不相交且无整反应重复：

# uspto50k_workdir/check_split.py —— 划分泄漏体检
import pandas as pd

def load(p):
    return pd.read_csv(p)

train, val, test = (load(f"uspto50k_workdir/data/{n}.csv")
                    for n in ("train", "val", "test"))

sets = {n: set(zip(d["product"], d["reactants"]))
        for n, d in [("train", train), ("val", val), ("test", test)]}

for a, b in [("train", "val"), ("train", "test"), ("val", "test")]:
    overlap = sets[a] & sets[b]
    print(f"{a} ∩ {b}: {len(overlap)} 条")     # 期望全部为 0

print("产物级重叠（允许存在，但需知晓）:",
      len(set(train['product']) & set(test['product'])), "个产物同现于 train/test")

若输出不为 0，说明你的划分文件存在整反应泄漏，必须先按坑点 2 去重再训练。

---

§6 AI 就绪指南 ⭐

§6.0 云端快速启动

数据集约 10 MB，任何免费 Colab/Kaggle 会话即可全量训练。最短路径：

# Google Colab / Kaggle Notebook 内直接运行
pip install PyTDC rdkit
python -c "
from tdc.generation import RetroSynthesis
data = RetroSynthesis(name='USPTO-50K')
df = data.get_data()
print(df.shape)   # (50016, ...) 视 TDC 版本列数而定
"

§6.1 快速上手

以下代码假设你使用 §4.0 的工作目录：data_root = uspto50k_workdir/data/；PyTDC 首次运行会自动把 uspto_50k.tab 下载并缓存到本地缓存目录，脚本将其复制到 data_root 下再统一处理。最小可用子集就是全量 50,016 条——没有更小的官方子集，若只想快速冒烟测试，可 df.sample(1000) 后自行三等分。

# 环境要求：python>=3.8, PyTDC, rdkit, pandas, torch
# data_root 目录拼接关系：
#   uspto50k_workdir/data/uspto_50k.tab  <- PyTDC 下载/缓存
#   uspto50k_workdir/data/{train,val,test}.csv <- §6.3 脚本产出
from tdc.generation import RetroSynthesis
import pandas as pd, os

data_root = "uspto50k_workdir/data"
os.makedirs(data_root, exist_ok=True)

data = RetroSynthesis(name='USPTO-50K')
df = data.get_data()
df.to_csv(os.path.join(data_root, "uspto_50k.tab"), index=False)

splits = data.get_split()          # {'train':..., 'valid':..., 'test':...}
for k, v in splits.items():
    print(k, len(v))               # train 40008 / valid 4997 / test 5011（TDC 版）
print(df.columns.tolist())         # 确认列名后再进入 §6.3

§6.2 数据获取

渠道	内容	大小量级	适用场景
PyTDC	USPTO-50K TSV + 三划分	自动缓存约 10 MB	快速上手（推荐首选）
ACS SI ZIP	官方原始分发	约 10 MB	复现 Schneider et al. 2016
figshare 全量包	约 180 万条全量（含子集文件）	数百 MB	自建子集/预训练
OpenDataLab 镜像	国内加速镜像（CC0 1.0）	约 10 MB	国内网络环境

无注册、无 DUA、无申请流程——下载即用，这是它与医疗数据集最大的工程差异。唯一义务：成果中引用 Schneider et al. 2016 与 Lowe 2017（BibTeX 见 §9）。

§6.3 预处理全流程

流程：解析三段式反应式 → 合并试剂段（社区标准）→ 去原子映射 → canonical 化 → 校验分子合法性 → 按通行划分落盘 → 模板抽取。代码可直接运行：

<details>
<summary>展开完整预处理代码（约 60 行）</summary>

# uspto50k_workdir/preprocess.py
# 输入: data/uspto_50k.tab（PyTDC 版，需含反应式列与 class 列）
# 输出: data/{train,val,test}.csv + data/templates.json
import re, json, os
import pandas as pd
from rdkit import Chem, RDLogger

RDLogger.DisableLog("rdApp.*")  # 静默 RDKit 解析告警
DATA = "uspto50k_workdir/data"

def parse_rxn(rxn: str):
    """reactants>agents>product 三段解析；试剂段并入反应物段（坑点 1）。"""
    parts = rxn.split(">")
    if len(parts) != 3:
        return None
    reactants, agents, product = parts
    merged = ".".join(x for x in (reactants, agents) if x)
    return merged, product

def strip_map(smi: str) -> str:
    """去除原子映射编号 :n。"""
    return re.sub(r":\d+\]", "]", smi)

def canon(smi: str):
    """去映射后 canonical 化；非法分子返回 None。"""
    try:
        mol = Chem.MolFromSmiles(strip_map(smi))
        return Chem.MolToSmiles(mol) if mol is not None else None
    except Exception:
        return None

def build_df(df: pd.DataFrame, rxn_col: str, cls_col: str) -> pd.DataFrame:
    rows = []
    for _, r in df.iterrows():
        parsed = parse_rxn(str(r[rxn_col]))
        if parsed is None:
            continue
        merged, product = parsed
        r_canon = canon(merged)
        p_canon = canon(product)
        if r_canon is None or p_canon is None:
            continue  # 坏行丢弃并记数（生产中应记录日志）
        rows.append({"reactants": r_canon, "product": p_canon,
                     "class": int(r[cls_col])})
    out = pd.DataFrame(rows)
    return out.drop_duplicates()      # 全局去重（坑点 2 第一道防线）

df = pd.read_csv(os.path.join(DATA, "uspto_50k.tab"), sep="\t")
rxn_col = [c for c in df.columns if "rxn" in c.lower()][0]
cls_col = [c for c in df.columns if "class" in c.lower() or c == "label"][0]
clean = build_df(df, rxn_col, cls_col)

# 通行划分比例约 80/10/10（40,008/4,997/5,011）；刷榜请改用对标论文划分文件
n = len(clean)
train = clean.iloc[:40008]; val = clean.iloc[40008:40008+4997]; test = clean.iloc[40008+4997:]
train.to_csv(f"{DATA}/train.csv", index=False)
val.to_csv(f"{DATA}/val.csv", index=False)
test.to_csv(f"{DATA}/test.csv", index=False)
print(f"clean={n}  train={len(train)} val={len(val)} test={len(test)}")

# 模板抽取（可选）：rdchiral 提取反应模板，供模板基模型使用
# pip install rdchiral
from rdchiral.template_extraction import extract_from_reaction
templates = {}
for _, r in train.head(2000).iterrows():   # 示例：先抽 2000 条
    rxn_str = f"{r['reactants']}>>{r['product']}"
    try:
        result = extract_from_reaction(rxn_str)
        templates[rxn_str] = result.get("reaction_template", "")
    except Exception:
        continue
with open(f"{DATA}/templates.json", "w") as f:
    json.dump(templates, f)

</details>

§6.4 PyTorch DataLoader

<details>
<summary>展开完整 Dataset/DataLoader 代码（约 55 行）</summary>

# uspto50k_workdir/dataset.py
# 逆合成任务：输入 product（SMILES），输出 reactants（SMILES）
# 采用字符级 tokenizer（教学用）；生产建议 SMILES 词表/BPE 或 DeepSMILES
import csv, torch
from torch.utils.data import Dataset, DataLoader

VOCAB = list("()[]{}@+-.#%/\\=0123456789ABCFGHIKLMNOPRSTUVWXYZabcdefgilmnoprstuy>*")
STOI = {c: i + 1 for i, c in enumerate(VOCAB)}   # 0 = <pad>

def encode(smi: str, max_len: int = 160):
    ids = [STOI.get(c, 0) for c in smi[:max_len]]
    return ids + [0] * (max_len - len(ids))

class RetrosynthesisDataset(Dataset):
    """读取 §6.3 产出的 CSV；每行一条反应。"""
    def __init__(self, csv_path: str, max_len: int = 160):
        with open(csv_path) as f:
            rows = list(csv.DictReader(f))
        self.products   = [encode(r["product"], max_len)   for r in rows]
        self.reactants  = [encode(r["reactants"], max_len) for r in rows]
        self.classes    = [int(r["class"]) for r in rows]
        self.raw_prod   = [r["product"] for r in rows]

    def __len__(self):
        return len(self.products)

    def __getitem__(self, idx):
        return (torch.tensor(self.products[idx], dtype=torch.long),
                torch.tensor(self.reactants[idx], dtype=torch.long),
                torch.tensor(self.classes[idx], dtype=torch.long))

def make_loaders(data_root: str = "uspto50k_workdir/data", batch_size: int = 128):
    loaders = {}
    for name, path in [("train", "train.csv"), ("val", "val.csv"), ("test", "test.csv")]:
        ds = RetrosynthesisDataset(f"{data_root}/{path}")
        loaders[name] = DataLoader(ds, batch_size=batch_size,
                                   shuffle=(name == "train"),
                                   num_workers=2, pin_memory=True)
    return loaders

if __name__ == "__main__":
    loaders = make_loaders()
    for prod, react, cls in loaders["train"]:
        print(prod.shape, react.shape, cls.shape)   # [B,160] [B,160] [B]
        break

</details>

§6.5 坑点 8 个

⚠️ 坑点 1：试剂段系统性缺失与角色错位（分类：预处理陷阱）

问题：专利实验段落经文本挖掘后，试剂、催化剂、溶剂的角色分配不可靠：Sci Data 2024 的研究量化发现，USPTO 数据中约 50% 的 Suzuki 偶联反应缺少 Pd 催化剂、40% 的 Mitsunobu 反应缺少 DEAD/DIAD——试剂要么被错记为反应物，要么干脆缺失。
症状：把 agents 当真实条件训练"条件逆合成"模型，模型学不到催化剂作用；把试剂并入反应物后，前向模型把 Pd 配体当成被消耗的底物；统计"反应物数量"时分布异常偏大。
解决：

1. 简单方法：遵循社区标准——逆合成任务中直接把 agents 并入 reactants（(reactants+agents)>product），把"试剂"视为惰性伴随物，忽略角色差异。
2. 进阶方法：用 Schneider et al. 2016 的角色分配算法（已并入 RDKit）对合并后的分子重排角色，再按需分离；该算法在 5 万条随机专利反应上角色准确率 97%。
3. SOTA 方法：面向机理/条件研究时，使用机理感知的映射与补全工具链（如 LocalMapper 及 mech-USPTO 的试剂恢复策略），或以 LLM 从原始专利实验段落重建角色信息。
   参考：A large-scale reaction dataset of mechanistic pathways of organic reactions, Sci Data 2024；Schneider et al. 2016, JCIM 56(12):2336–2346

⚠️ 坑点 2：重复反应与 train/test 泄漏（分类：数据泄漏）

问题：随机抽样天然带重复记录，随机划分可能把同一反应同时放进训练与测试集；文献已证实 RetroXpert 在 USPTO-50k 上因已知数据泄漏问题报告值虚高。
症状：你的 top-1 比别人高 3-5 个百分点但换划分/换测试集就崩；对同一产物在测试集与训练集出现完全相同反应式。
解决：

1. 简单方法：canonical 化后按整条反应字符串全局去重（§6.3 代码的 drop_duplicates），再划分。
2. 进阶方法：按产物分组划分（同一产物的所有反应只进一个 split），消除产物级记忆；同时用 RDKit InChIKey 二次校验。
3. SOTA 方法：直接采用通行划分文件（40,008/4,997/5,011）与 Syntheseus 统一评估协议复评，并同时报告 round-trip accuracy；论文中明确披露划分文件哈希。
   参考：Investigating the reliability and interpretability of ML frameworks for chemical retrosynthesis, Digital Discovery 2024

⚠️ 坑点 3：top-k 数字跨论文不可比（分类：评估误用）

问题：canonical 化口径、beam size、划分文件、评估脚本（是否去重、是否截断 top-50）各论文不一。Digital Discovery 2024 复现研究显示：同一类别内各框架 top-1 差距不足 0.4%，仅凭 top-1 根本无法裁定 SOTA。
症状：你的"新 SOTA"在他人代码里复现不出来；审稿人要求与 Syntheseus 基准对齐时哑火。
解决：

1. 简单方法：报告 top-1/3/5/10 全谱而非单点，附 beam size 与划分文件说明。
2. 进阶方法：接入 Syntheseus 的统一 wrapper（查询 100 条反应、去重、每产物截断 top-50），获得与 RetroGFN 论文 Table 2 同口径的数字。
3. SOTA 方法：补充 round-trip accuracy（前向模型验证可回译性）与多样性/有效性指标（EvalRetro 协议），避免 top-k 单指标叙事。
   参考：RetroGFN, arXiv:2406.18739；EvalRetro

⚠️ 坑点 4：type-known 与 type-unknown 口径混淆（分类：评估误用）

问题：10 类标签既能作为模型条件输入（type-known，更简单），也可完全不给模型（type-unknown，默认口径）。两者数字差距巨大且常被无意混引。
症状：把 MARS 的 type-known top-1（66.2%）与 MEGAN 的 type-unknown top-1（48.1%）并排比较，得出"MARS 超 MEGAN 18 个点"的错误结论。
解决：

1. 简单方法：在自己报告的每个数字后显式标注口径（known/unknown）与 k 值。
2. 进阶方法：两口径都评测都报告；type-known 用类条件解码实现。
3. SOTA 方法：报告按反应类分解的 top-10（呼应 MARS 的分析方式），展示小类性能而非只有总均值。
   参考：MARS, Bioinformatics 2024, btae115

⚠️ 坑点 5：极端类不平衡（分类：偏倚陷阱）

问题：类 1（杂原子烷基化/芳基化）15,204 条 vs 类 10（FGA）231 条，比例约 66:1；类 2 加类 1 占全部数据的约 54%。
症状：损失被大类主导，小类逆合成 top-1 接近 0；micro-F1 虚高掩盖小类崩溃。
解决：

1. 简单方法：分层采样或类加权交叉熵，保证每 batch 见到小类样本。
2. 进阶方法：类条件解码（type-known）+ 小类过采样组合；评测一律加报 macro 平均。
3. SOTA 方法：按类报告 top-10 并专门分析小类（类 5、9、10）表现——MARS 的实验显示好的模型即使在不平衡数据上也不牺牲小类。
   参考：RetroComposer, Biomolecules 2022, 12, 1325, Table A1

⚠️ 坑点 6：atom-map 编号噪声污染模板（分类：预处理陷阱）

问题：原子映射由 Lowe 管线自动生成，无逐条人工核验；映射错误会直接传导到模板抽取与反应中心预测，且错误的映射看起来"完全合法"。
症状：抽取出的模板出现化学上不可能的反应中心；同一类反应的模板碎片化成大量只出现一两次的变体；训练集模板覆盖率远低于 94.08% 的文献值。
解决：

1. 简单方法：映射 sanity check——要求每个带映射原子在反应物与产物两侧元素与编号一一对应，不满足的反应整条丢弃。
2. 进阶方法：用注意力映射模型（如 rxn_mapper）对被丢弃的反应重新映射再抽取。
3. SOTA 方法：使用机理感知的 LocalMapper 重映射，其产物即 mech-USPTO 等机理数据集采用的映射基础。
   参考：Sci Data 2024, s41597-024-03709-y

⚠️ 坑点 7：同名版本与镜像行数对不上（分类：工程陷阱）

问题：USPTO-50k 存在多个同名分发——ACS SI 原始版、figshare 包内 50K 相关文件、TDC 镜像、各 GitHub 整理版——行数与字段在 48k-50k 间浮动（RetroComposer 附录的构成表加总甚至为 50,382），字段命名也各不相同。
症状：复现论文数字时总数对不上；对比表里你的"50,016"与作者仓库里的"49,982"互相矛盾。
解决：

1. 简单方法：锁定单一来源（推荐 TDC 或 ACS SI），在项目 README 记录下载日期与文件哈希。
2. 进阶方法：canonical 化后对两个来源做行集 diff，明确差异行是什么（多为边界行/重复行处理不同）。
3. SOTA 方法：所有对比实验用同一份划分文件 + 数据哈希存档；论文附数据版本声明。
   参考：OpenDataLab USPTO-50k；TDC USPTO-50k

⚠️ 坑点 8：专利化学不等于全化学（分类：偏倚陷阱）

问题：数据源自专利，天然偏向制药工业的"日常化学"；EMNLP 2025 Findings 的批评性研究系统指出：教科书式基础反应缺失、类目不平衡、专利书写惯例带来的偏倚。数据截止 2016 年 9 月，光催化、电化学等新兴方向近乎空白。
症状：模型对新药分子表现良好，对无机/高分子/新型催化反应输出失效；在 2016 年后的反应类型上 top-1 断崖。
解决：

1. 简单方法：在论文/产品中明确声明适用域为"专利中的类药物分子化学"，不外推。
2. 进阶方法：混合 Open Reaction Database 等更广来源数据微调，检验域外性能变化。
3. SOTA 方法：建立 out-of-distribution 评测协议——如 RetroGFN 用 USPTO-MIT 作泛化基准——并把时间外推评测（2016 后反应）纳入标准报告项。
   参考：[EMNLP 2025 Findings 批评性研究（专利偏倚/教科书化学缺失）]；RetroGFN, arXiv:2406.18739

§6.6 数据增强

方法	判定	说明
SMILES 随机化（等价 SMILES 重写）	✅ 安全	Molecular Transformer 的关键技巧：同一分子生成非 canonical 等价写法，提升泛化（Schwaller et al. 2019）
试剂段分子顺序打乱	✅ 安全	. 分隔的分子集合无序，打乱等价
原子映射编号重排	✅ 安全	编号本身无语义，重排不改变化学
去原子映射训练（映射无关预训练）	✅ 安全	逆合成不依赖映射时先去映射可降噪
交换反应物与产物	❌ 危险	逆合成≠前向的镜像，交换后的"反应"多数化学不可行
随机删除试剂分子	❌ 危险	会放大坑点 1 的缺失偏差，让模型把"试剂消失"当作常态
分子子结构截断/骨架替换	❌ 危险	破坏化学合法性，产生现实中不存在的反应

SMILES 随机化的最小实现（Molecular Transformer 验证有效的安全增强）：

# uspto50k_workdir/augment.py —— 等价 SMILES 随机重写
import random
from rdkit import Chem

def randomize_smiles(smi: str) -> str:
    mol = Chem.MolFromSmiles(smi)
    if mol is None:
        return smi
    order = list(range(mol.GetNumAtoms()))
    random.shuffle(order)                    # 打乱原子访问顺序
    mol = Chem.RenumberAtoms(mol, order)
    return Chem.MolToSmiles(mol, canonical=False)

# 用法：训练时每 epoch 对 product/reactants 各随机化一次，
# 模型被迫学习化学而非记忆单一字符串写法。

§6.7 模型推荐表

模型	范式	首演	特点	代码入口
GLN	模板基（图条件逻辑）	NeurIPS 2019	可解释的模板选择；USPTO-50k 经典强基线	Syntheseus wrapper
LocalRetro	模板基（局部反应中心）	ICML 2021	原子级局部模板，top-10 表现强	Syntheseus wrapper
MEGAN	无模板（图自回归）	2022	逐原子/基团生成；round-trip 表现好	Syntheseus wrapper
RootAligned	无模板（seq2seq）	ICLR 2022	根对齐 SMILES 技巧，top-1 高	原作者仓库
Chemformer	无模板（预训练 Transformer）	2022	SMILES 预训练+微调，前向/逆向通吃	原作者仓库
RetroKNN	模板基 + 检索增强	2023	训练集 kNN 检索增强，top-10 强	Syntheseus wrapper
RetroGFN	生成流（GFlowNet）	2024	多样性优先，round-trip 最优	原作者仓库

（各模型同协议 top-k 数字见 §8.1。）

§6.8 硬件需求表

任务	模型规模	显存	训练时长（参考）
seq2seq 逆合成（字符级/词级 Transformer）	2,000-4,000 万参数	8-16 GB 单卡	数小时-1 天（RTX 3090/A100）
图基模型（GLN/MEGAN 类）	中等	16-32 GB	1-2 天
预训练+微调（Chemformer 类）	4,000 万+	16-32 GB	1-3 天（含预训练则更长）
推理（beam=10 全测试集）	—	4-8 GB	数分钟-半小时

50,016 条的体量决定了这是单卡友好的基准：无需分布式，免费 Colab 也能跑通 seq2seq 基线。

§6.9 评估指标代码

逆合成标准指标是 top-k 集合准确率（预测的 k 个候选反应物集合中恰有真值）。round-trip accuracy 需前向模型，此处给 top-k 骨架：

# uspto50k_workdir/eval_topk.py
# 输入：predictions.jsonl（每行 {"product":..., "candidates":[smiles1, ...]}）
#       与 test.csv 的真值；候选需先 canonical 化并与真值同口径
import json, csv

def topk_accuracy(pred_path, test_csv, ks=(1, 3, 5, 10)):
    with open(test_csv) as f:
        truth = {r["product"]: r["reactants"] for r in csv.DictReader(f)}
    hits = {k: 0 for k in ks}
    total = 0
    with open(pred_path) as f:
        for line in f:
            rec = json.loads(line)
            gold = truth.get(rec["product"])
            if gold is None:
                continue
            total += 1
            cands = rec["candidates"][: max(ks)]
            for k in ks:
                if gold in cands[:k]:
                    hits[k] += 1
    return {f"top-{k}": round(hits[k] / total * 100, 2) for k in ks}, total

if __name__ == "__main__":
    scores, n = topk_accuracy("outputs/predictions/preds.jsonl",
                              "uspto50k_workdir/data/test.csv")
    print(f"n={n}", scores)   # 例：{'top-1': 49.1, 'top-3': 72.0, ...}

注意：跨模型比较时，务必统一"候选是否去重、是否截断"的协议（坑点 3）；round-trip accuracy 的标准做法是用预训练前向模型（如 Chemformer-Eval）验证每个候选能否译回原产物（RetroGFN 评估协议）。

§6.10 MLOps 笔记

• 数据版本化：把 uspto_50k.tab、划分文件、模板库一并纳入 DVC/git-lfs，记录哈希——USPTO-50k 的多版本混乱（坑点 7）使"数据指纹"成为复现的第一道保险。
• 实验追踪：记录口径（type-known/unknown）、beam size、候选截断策略三件套；建议把这三个参数写进 run name。
• 评测服务化：top-k 评估脚本封装为独立容器，输入 predictions.jsonl，输出固定 schema 的指标 JSON，避免每次手改评估代码。
• 回归测试：固定 10 条代表性反应（覆盖大/小类）作为冒烟测试集，任何模型/预处理变更后先跑这 10 条，防止口径漂移。
• 静态数据心智：数据集 2016 年截止、永不更新，管线无需设计增量同步；真正需要版本管理的是你自己的清洗规则。

---

§7 质量评估与局限性

§7.1 已知偏倚

偏倚类型	描述	严重程度	缓解措施
专利来源偏倚	反应集中于制药工业日常化学，学术/材料化学覆盖薄	高	明示适用域；混合 ORD 等异源数据
教科书化学缺失	基础反应类型覆盖不全（EMNLP 2025 Findings 批评）	高	补充教材式反应数据；OOD 评测
类目不平衡	类 1 与类 10 比约 66:1	高	类加权/分层采样；按类报告指标
试剂角色缺失	约 50% Suzuki 缺 Pd、40% Mitsunobu 缺 DEAD/DIAD	高	合并试剂段；角色重排算法
自动标注噪声	atom-map 与角色均为算法生成，无逐条人工核验	中	映射 sanity check；重映射工具
时间截止偏倚	数据止于 2016-09，新兴反应类型空白	中	时间外推评测；定期换用更新的母集数据

§7.2 标注质量

自动标注不是零质量：角色分配算法经两组基准验证（手工集 88%、随机集 97%），且方法已并入 RDKit 经受多年社区使用检验。但必须清醒：97% 的角色准确率意味着每条数据仍有约 3% 的角色错误概率，而 atom-map 的错误率缺乏同等量化文献。实践原则：把标注当作"先验概率 95%+ 的软标签"，在高风险应用（模板库构建、机理研究）前做 §6.3 的校验过滤。

§7.3 泛化性

目标场景	失效风险	证据
类药物小分子逆合成	低	数据主体即此类；94.08% 测试集模板覆盖率（Biomolecules 2022）
大类反应（烷基化/酰化）	低	训练样本充足（15,204/11,972 条）
小类反应（FGA/保护/杂环）	高	每类仅数百条；类间 66:1 失衡
天然产物全合成路线	中-高	复杂多步化学在专利中的记录方式不同
光催化/电化学等新反应	极高	数据截止 2016-09，近乎空白
非美国专利体系反应	中	来源仅 USPTO，缺 EPO/JPO 文献验证

§7.4 伦理

数据集不含人类受试者信息，无隐私风险。需关注的伦理点有二：其一，专利数据的使用应尊重学术引用规范与各镜像平台的分发条款；其二，AI 合成规划模型可被用于设计受管制物质，使用者应遵守所在司法辖区的化学品管理法规——这是所有反应预测数据集共有的双用途风险，不属于本数据集特有，但使用时应有意识。

§7.5 公平性

不适用人群公平性（无人类数据）。化学域的"公平性"体现为化学空间覆盖均衡性：本数据集对"2016 年前、美国专利、制药主流化学"覆盖充分，对其余化学空间系统性欠采样。在分子生成任务中用它评估"可合成性"时，应意识到分数实为"专利化学可达性"。

§7.6 数据漂移

数据集本身静态，不存在源数据漂移；但应用侧漂移真实存在：2016 年后新药分子的结构风格（如 PROTAC、分子胶、共价抑制剂 warhead 的流行）偏离训练分布，模型对新骨架的逆合成置信度会系统性下降。建议每年用最新专利衍生的反应数据（或 ORD 增量）做一次"时间漂移体检"：对比模型在新旧数据上的 top-1 差值，差值扩大即触发再训练评估。

§7.7 DAIMS 24 项检查

#	检查项	状态	说明
1	宽格式	✅	单表扁平结构，每行一条反应，无嵌套
2	唯一标识	❌	无语义主键；TDC 版 rxn_id 仅为行序，镜像间不互通
3	特殊字符	✅	SMILES 为 ASCII 安全字符集，无编码坑
4	重复行	⚠️	随机抽样含重复记录；划分前必须全局去重（坑点 2）
5	缺失编码	⚠️	agents 空串高频且信息性（试剂缺失 vs 真无试剂不可分）
6	标签标识	✅	class 列 1-10 明确，无歧义多列
7	罕见类分组	⚠️	小类（类 10 仅 231 条）无官方分组策略，需自行分层
8	偏倚评估	⚠️	专利偏倚有文献量化（EMNLP 2025；Sci Data 2024），但数据集无自带偏倚声明
9	数据字典	⚠️	无官方字段字典；本页 §4.1 为社区级重建
10	信息性缺失解释	✅	试剂缺失的语义已被多篇文献明确刻画（坑点 1）
11	设备记录	❌	不适用：无仪器信息（纯化学反应文本）
12	共线性	✅	字段间无共线性问题（结构化程度低反而免疫）
13	编码映射	⚠️	类标签到类别名的对照无官方文件，依赖文献（§3.2 表）
14	时间戳处理	❌	无反应日期字段；时间信息需回溯专利号才能恢复
15	划分建议	⚠️	无官方划分；通行划分 40,008/4,997/5,011 但文件版本多（坑点 2、7）
16	泄漏讨论	⚠️	泄漏已被文献证实（RetroXpert 案例）但数据集本身无内置防护
17	标签分布	✅	10 类构成有公开量化表（RetroComposer 附录）
18	测量偏倚	⚠️	抽取管线的系统误差（OCR、解析失败）无法逐条量化
19	外部验证建议	✅	USPTO-MIT 泛化协议成熟（RetroGFN/Syntheseus）
20	版本记录	⚠️	多版本并行且行数浮动（48k-50k），无统一版本号
21	预处理脚本	❌	无官方脚本；本页 §6.3 为社区级实现
22	合规要求	✅	开放许可（CC0 标注），无 DUA，合规负担最低
23	多模态对齐	❌	单模态数据集，不适用
24	去标识化	✅	无人类数据，天然免除此义务

DAIMS 评分：14.0 / 24

评分解读：14/24 属于"结构健康但元数据贫瘠"的典型算法生成数据集画像。数据本体（宽格式、标签明确、无隐私负担）几乎无短板；失分集中在可追溯性（无主键、无时间戳、无出处字段）与官方配套缺失（无字典、无脚本、无官方划分），这些正是自动挖掘数据集相对人工精制数据集的系统性弱项。对本数据集而言，该评分 2019 年以来基本稳定——它反映的是数据集的设计定位（为大规模模型训练服务的"燃料"），而非质量问题恶化。

对你意味着什么：

1. 若你的任务是训练/基准逆合成模型——直接使用，数据本体的 ✅ 项已足够支撑；把精力花在划分一致性与口径管理上。
2. 若你的任务是构建模板库或机理研究——先用 §6.3 的校验过滤再信任数据，把 ⚠️ 项（映射噪声、重复行）当作必答题。
3. 若你需要溯源或增量更新——此数据集给不了（❌ 项），请转向 figshare 全量版回溯专利号，或改用 Open Reaction Database。

§7.8 外部验证矩阵

外部数据集/场景	来源机构	评估任务	性能指标	相对内部变化	关键发现
USPTO-MIT（去重叠）	MIT（Jin et al. 2017）	逆合成泛化	top-k accuracy	显著下降	RetroGFN 用其作为 USPTO-50k 训练模型的泛化基准（arXiv:2406.18739）
USPTO-50k 测试集（Syntheseus 协议）	Meta（Syntheseus 框架）	统一 top-k 复评	top-1 48.7-56.0	复现值与原论文差 ±0.5% 内	Digital Discovery 2024 确认多数模型可复现，RetroXpert 除外（泄漏虚高）
Round-trip 验证（前向模型回译）	OptiMaL-PSE-Lab（EvalRetro）	round-trip accuracy	0.43-0.88	与 top-k 排序不一致	top-1 高的模型 round-trip 未必高（MEGAN vs GraphRetro 对比）
按反应类分解评测	学术界（MARS 等）	小类 top-10	类 4 等小类约 50% 级	低于总体均值	小类性能是模型真实化学理解力的试金石（Bioinformatics 2024）

---

§8 基准性能与生态

§8.1 逆合成排行榜（USPTO-50k，type-unknown）

下表主体为 Syntheseus 统一协议下的同台对比（RetroGFN, arXiv:2406.18739, Table 2），附文献复现值（Digital Discovery 2024）。注意：不同来源的数字因划分文件、评估协议差异不可直接横向比较；同表内 Syntheseus 数字彼此可比。

排名*	模型	top-1 / top-3 / top-5 / top-10（%）	关键技术	完整引用	代码
1	RootAligned	56.0 / 79.1 / 86.1 / 91.0	根对齐 SMILES seq2seq	Zhong et al., 2022, ICLR	原作者仓库
2	RetroKNN	55.7 / 77.9 / 85.5 / 91.7	检索增强模板基	Hwang et al., 2023, NeurIPS	Syntheseus
3	Graph2Edits	54.6 / 76.6 / 82.8 / 88.7	图编辑半模板	—	Syntheseus
4	GraphRetro	53.7 / 67.0 / 70.6 / 73.4	半模板图到图	Somnath et al., 2021, NeurIPS	Syntheseus
5	Chemformer	55.0 / 70.9 / 73.7 / 75.4	预训练 Transformer	Irwin, Dimitriadis, He & Bjerrum, 2022, Machine Learning: Science and Technology 3, 015022. DOI 10.1088/2632-2153/ac3ffb	原作者仓库
6	MEGAN	48.7 / 72.4 / 79.5 / 86.8	图自回归无模板	Lu & Zhang, 2022, arXiv:2111.12964	Syntheseus
7	GLN	52.4 / 74.6 / 81.2 / 88.0	条件图逻辑模板基	Dai, Li, Coley, Dai & Song, 2019, NeurIPS 32	Syntheseus
8	LocalRetro	52.0 / 76.6 / 84.6 / 91.1	局部反应中心模板	Somnath et al., 2021, ICML	Syntheseus
9	MHNreact	50.8 / 72.7 / 79.6 / 86.3	Modern Hopfield 网络	—	Syntheseus
10	RetroGFN	49.2 / 73.3 / 81.1 / 88.0	GFlowNet 多样性生成	2024, arXiv:2406.18739	原作者仓库

* 排名仅按 Syntheseus 协议下 top-1 排序，且如 Digital Discovery 2024 所指出，各方法 top-1 差距在 0.4% 内时不构成 SOTA 证据；未列入本表的模型不代表落后。

文献复现参考值（不同划分/协议，不可与上表直接比较）：GLN top-1 52.5、LocalRetro 53.4、Chemformer 53.3、MEGAN 48.9（Digital Discovery 2024, Table 2）；MARS 在 type-known 口径 top-1 66.2%、type-unknown 54.6%（Bioinformatics 2024）。

除 top-k 外，round-trip accuracy（前向模型验证候选能否译回产物）提供了互补视角。EvalRetro 在 USPTO-50k 上的测量结果如下（两个前向模型分别评估；EvalRetro）：

模型	round-trip accuracy（WLDN-5 前向）	round-trip accuracy（LocalTransform 前向）
Chemformer	0.86	0.88
GLN	0.84	0.87
LocalRetro	0.81	0.85
MEGAN	0.78	0.80
GraphRetro	0.77	0.80

该表的价值在于揭示排序反转：top-1 口径领先的模型在 round-trip 口径未必领先，两套指标衡量的是"命中率"与"化学可行性回译率"两个不同的质量维度。

§8.2 SOTA 总结与选型建议

• 追 top-1：RootAligned / RetroKNN / Chemformer 一档（Syntheseus 口径 55-56%）；但差距微小，方法学叙事比 0.5% 的提升更有价值。
• 追 top-10 与多样性：LocalRetro（91.1）与 RetroKNN（91.7）领先；RetroGFN 在 round-trip 口径全面最优，适合路线多样性敏感的下游（多步规划）。
• 追可解释性：GLN / LocalRetro 的模板输出可直接被人审查，适合医药工业的合规场景。
• 追工程简单：Chemformer（纯 seq2seq，预训练权重公开）是最平滑的起步选择。

§8.3 评测协议要点

1. 划分：通行 40,008/4,997/5,011，与对标论文同文件；
2. 口径：默认 type-unknown；若用类条件须显式声明；
3. 输出：每产物 beam search 生成候选集，去重后截断（Syntheseus 截至前 50）；
4. 指标：top-1/3/5/10 全谱 + （建议）round-trip accuracy；
5. 复现声明：附划分文件哈希、beam size、候选截断策略。

§8.4 相关数据集表

数据集	规模	任务	关系
USPTO-MIT	479,035	前向预测	同源（Lowe 数据）不同切工；泛化验证伙伴
USPTO-480k / STEREO	约 480k / 1,002,970	前向/立体化学	STEREO 保留立体信息，规模最大
USPTO-full（figshare 2017）	约 180 万	自由构建	USPTO-50k 的母池
Open Reaction Database	200 万条以上	通用反应建模	FAIR 替代品，CC-BY-SA，含条件元数据
Pistachio（NextMove）	百万条级	商业反应检索	同专利来源的商业精制版

§8.5 关键论文 Top 8

1. Schneider, Stiefl & Landrum, 2016, J. Chem. Inf. Model. 56(12):2336–2346. DOI 10.1021/acs.jcim.6b00564 — USPTO-50k 的直接出处：角色分配方法与 50,016 条整理数据。
2. Lowe, 2012, Ph.D. thesis, University of Cambridge — 抽取管线的原创工作，一切 USPTO 数据的源头。
3. Lowe, 2017, figshare, DOI 10.6084/m9.figshare.5104873.v1 — 1976-Sep2016 全量数据（约 180 万条）的持久化发布。
4. Schneider, Lowe, Sayle, Tarselli & Landrum, 2016, J. Med. Chem. 59(9):4385–4402 — 专利化学分布的计算分析，"药物化学家的日常化学"定量画像。
5. Jin, Coley, Barzilay & Jaakkola, 2017, NeurIPS 30 — WLN 前向预测与 USPTO-MIT 基准的奠基工作。
6. Dai, Li, Coley, Dai & Song, 2019, NeurIPS 32 — GLN，模板基逆合成的经典代表，固化了 40k/5k/5k 划分惯例。
7. Schwaller et al., 2019, ACS Cent. Sci. 5(9):1572–1583. DOI 10.1021/acscentsci.9b00576 — Molecular Transformer，确立 SMILES seq2seq + 随机化增强范式。
8. Irwin, Dimitriadis, He & Bjerrum, 2022, Mach. Learn.: Sci. Technol. 3, 015022. DOI 10.1088/2632-2153/ac3ffb — Chemformer，预训练+微调路线的代表作。

§8.6 社区活跃度

USPTO-50k 是化学 AI 社区活跃度最高的基准之一：截至 2026-09 检索，Google Scholar 显示其关联论文群持续被引（What’s What 279+、Big Data 465+、Molecular Transformer 等下游论文各数百次）；Syntheseus（Meta）等统一评估框架仍在持续纳入新模型；TDC、OpenDataLab、ModelScope 等平台均维护镜像。批评性研究（EMNLP 2025 Findings、Digital Discovery 2024）的出现本身即是生态健康的标志——社区正在从"刷榜"转向"反思协议"。

§8.7 生态快照

资源	类型	链接	推荐理由
PyTDC	数据加载库	tdcommons.ai	三行代码取数+划分
Syntheseus	统一评估框架	GitHub（facebookresearch）	多模型同协议对比的今日标准
EvalRetro	评估工具	GitHub（OptiMaL-PSE-Lab）	round-trip/多样性多维评估
RDKit	化学信息学基础库	rdkit.org	角色分配（Schneider 方法）与 SMILES 处理
rdchiral	模板抽取	GitHub（connorcoley）	反应模板提取的事实标准工具
Open Reaction Database	补充数据源	open-reaction-database.org	条件元数据与更新的反应数据

---

§9 相关资源与引用

§9.1 官方资源

• 数据集（全量母池）：figshare: Chemical reactions from US patents (1976-Sep2016)，DOI 10.6084/m9.figshare.5104873.v1
• 数据集（50k 官方原始分发）：ACS SI ZIP（ci6b00564_si_002.zip）
• 整理论文：Schneider et al. 2016, What’s What, JCIM 56(12):2336–2346
• 镜像与加载器：TDC 逆合成任务页 · OpenDataLab 镜像
• 统一评估：Syntheseus · EvalRetro

§9.2 BibTeX 完整引用

@article{schneider2016whatswhat,
  author  = {Schneider, Nadine and Stiefl, Nikolaus and Landrum, Gregory A.},
  title   = {What's What: The (Nearly) Definitive Guide to Reaction Role Assignment},
  journal = {Journal of Chemical Information and Modeling},
  year    = {2016},
  volume  = {56},
  number  = {12},
  pages   = {2336--2346},
  doi     = {10.1021/acs.jcim.6b00564}
}

@misc{lowe2017uspto,
  author       = {Lowe, Daniel},
  title        = {Chemical reactions from US patents (1976-Sep2016)},
  year         = {2017},
  doi          = {10.6084/m9.figshare.5104873.v1},
  howpublished = {figshare}
}

@phdthesis{lowe2012thesis,
  author = {Lowe, Daniel M.},
  title  = {Extraction of Chemical Structures and Reactions from the Literature},
  school = {University of Cambridge},
  year   = {2012}
}

@article{schneider2016bigdata,
  author  = {Schneider, Nadine and Lowe, Daniel M. and Sayle, Roger A. and Tarselli, Michael A. and Landrum, Gregory A.},
  title   = {Big Data from Pharmaceutical Patents: A Computational Analysis of Medicinal Chemists' Bread and Butter},
  journal = {Journal of Medicinal Chemistry},
  year    = {2016},
  volume  = {59},
  number  = {9},
  pages   = {4385--4402}
}

@article{schneider2015fingerprint,
  author  = {Schneider, Nadine and Lowe, Daniel M. and Sayle, Roger A. and Landrum, Gregory A.},
  title   = {Development of a Novel Fingerprint for Chemical Reactions and Its Application to Large-Scale Reaction Classification and Similarity},
  journal = {Journal of Chemical Information and Modeling},
  year    = {2015},
  volume  = {55},
  number  = {1},
  pages   = {39--53}
}

@inproceedings{jin2017predicting,
  author    = {Jin, Wengong and Coley, Connor and Barzilay, Regina and Jaakkola, Tommi},
  title     = {Predicting Organic Reaction Outcomes with Weisfeiler-Lehman Network},
  booktitle = {Advances in Neural Information Processing Systems 30},
  year      = {2017}
}

@inproceedings{dai2019retrosynthesis,
  author    = {Dai, Hanjun and Li, Chenglin and Coley, Connor and Dai, Bo and Song, Le},
  title     = {Retrosynthesis Prediction with Conditional Graph Logic Network},
  booktitle = {Advances in Neural Information Processing Systems 32},
  year      = {2019}
}

@article{schwaller2019molecular,
  author  = {Schwaller, Philippe and Laino, Teodoro and Gaudin, Th{\'e}o and Bolgar, Peter and Hunter, Christopher A. and Bekas, Costas and Lee, Alpha A.},
  title   = {Molecular Transformer: A Model for Uncertainty-Calibrated Chemical Reaction Prediction},
  journal = {ACS Central Science},
  year    = {2019},
  volume  = {5},
  number  = {9},
  pages   = {1572--1583},
  doi     = {10.1021/acscentsci.9b00576}
}

@article{irwin2022chemformer,
  author  = {Irwin, Ross and Dimitriadis, Dimitrios and He, Jiazhen and Bjerrum, Esben Jannik},
  title   = {Chemformer: A Pre-Trained Transformer for Computational Chemistry},
  journal = {Machine Learning: Science and Technology},
  year    = {2022},
  volume  = {3},
  number  = {1},
  pages   = {015022},
  doi     = {10.1088/2632-2153/ac3ffb}
}

@article{lu2022megan,
  author  = {Lu, Jiazhou and Zhang, Hongyang},
  title   = {Multi-step Retrosynthesis Combining Prediction and Generation},
  journal = {arXiv preprint arXiv:2111.12964},
  year    = {2022}
}

§9.3 引用指南

• 使用 50k 子集本身：引 Schneider et al. 2016（数据出处）+ Lowe 2017（母池）；
• 使用全量 figshare 数据：引 Lowe 2017 与 Lowe 2012（方法）；
• 使用 TDC 镜像加载：按 TDC 官方要求追加 TDC 论文引用；
• 使用 Syntheseus 复评：按其仓库要求追加框架引用。

---

§10 AI 使用声明卡

§10.1 AI 模型列表

本页面由 CodeBuddy Code（fast-model）生成；未使用其他 AI 模型。

§10.2 AI 参与范围

AI 负责检索证据汇总、全文撰写、代码示例编写与表格组织；人工负责宪法合规审查、数字溯源抽查与医学/化学表述审核。

§10.3 输入来源列表

1. Schneider, Stiefl & Landrum, 2016, J. Chem. Inf. Model. 56(12):2336–2346. DOI 10.1021/acs.jcim.6b00564
2. Lowe, 2012, Ph.D. thesis, University of Cambridge
3. Lowe, 2017, figshare, DOI 10.6084/m9.figshare.5104873.v1
4. Schneider, Lowe, Sayle, Tarselli & Landrum, 2016, J. Med. Chem. 59(9):4385–4402
5. Schneider, Lowe, Sayle & Landrum, 2015, J. Chem. Inf. Model. 55(1):39–53
6. Jin, Coley, Barzilay & Jaakkola, 2017, NeurIPS 30
7. Dai, Li, Coley, Dai & Song, 2019, NeurIPS 32
8. Schwaller et al., 2019, ACS Cent. Sci. 5(9):1572–1583. DOI 10.1021/acscentsci.9b00576
9. Irwin, Dimitriadis, He & Bjerrum, 2022, Mach. Learn.: Sci. Technol. 3, 015022. DOI 10.1088/2632-2153/ac3ffb
10. Lu & Zhang, 2022, arXiv:2111.12964（MEGAN）
11. RetroGFN 论文, 2024, arXiv:2406.18739（含 Syntheseus 统一评估表）
12. Investigating the reliability and interpretability of ML frameworks for chemical retrosynthesis, 2024, Digital Discovery. DOI 10.1039/d4dd00007b
13. MARS, 2024, Bioinformatics. DOI 10.1093/bioinformatics/btae115
14. RetroComposer, 2022, Biomolecules 12(9):1325. DOI 10.3390/biom12091325
15. A large-scale reaction dataset of mechanistic pathways of organic reactions, 2024, Scientific Data. DOI 10.1038/s41597-024-03709-y
16. TDC 官方文档：USPTO-50k 任务页（tdcommons.ai）
17. OpenDataLab / ModelScope 镜像页面（许可与规模标注）

§10.4 人工校验表

内容模块	审核者	审核方式	审核状态
§2 医学背景（ICD-11/SNOMED、任务定义）	千方病案医学编辑部	与 WHO ICD-11 及 SNOMED 源交叉比对	✅ 已通过
§1/§3/§4 规模与构成（50,016、10 类构成、模板统计）	千方病案医学编辑部	与 JCIM 论文、TDC/OpenDataLab 及 Biomolecules 2022 附录核对	✅ 已通过
§6 代码与坑点	千方病案医学编辑部（数据工程）	依据官方文档与文献复现研究复核	✅ 已通过
§7 DAIMS 与偏倚	千方病案医学编辑部	逐项自评并对照 Sci Data 2024 / Digital Discovery 2024	✅ 已通过
§8 基准（Syntheseus 表与文献复现值）	千方病案医学编辑部	与 arXiv:2406.18739 Table 2 及 Digital Discovery 2024 Table 2 核对	✅ 已通过

§10.5 AI 生成章节标注

全部章节由 AI 生成初稿，经人工交叉审核（§10.4）。其中 §6.3/§6.4 代码、§6.9 评估代码为 AI 编写并经可运行性逻辑复核。

§10.6 最后人工审核日期

2026-09-05

页面状态：published（全部内容已完成审核并发布）

---

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：

• gdb-17 — 共享标签：药物发现与化学 / 化学信息学 / 分子生成
• coconut — 共享标签：药物发现与化学 / 化学信息学 / 分子生成
• open-reaction-database — 共享标签：药物发现与化学 / 化学信息学 / 分子生成
• crossdocked2020 — 共享标签：药物发现与化学 / 化学信息学 / 分子生成
• pdbbind — 共享标签：药物发现与化学 / 化学信息学
• toxcast — 共享标签：药物发现与化学 / 化学信息学
• synthea — 共享标签：药物发现与化学 / 分子生成
• trialbench — 共享标签：药物发现与化学 / 化学信息学
• zinc — 共享标签：药物发现与化学 / 化学信息学
• davis — 共享标签：药物发现与化学 / 化学信息学

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。