即取即用的 AI-Ready 医疗数据集库

上海交通大学与上海 AI Lab 联合中国移动发布的首个全面医学指令微调数据集（与 MedS-Bench 基准、MMedIns-Llama 3 模型成对发布）——整合 58 个生物医学语料库，覆盖考试、临床文本、学术论文、医学知识库、日常对话五大来源共 122 项任务；现行口径计 500 万实例 + 1.9 万条指令（v1 论文因「指令与实例组合各计一样本」曾计 13.5M，双口径详见表），仓库许可 CC BY-SA、论文版权 CC BY 4.0，HuggingFace 公开约 7.58 GB

58 个医学生物语料库（exams 考试 / clinical texts 临床文本 / academic papers 学术论文 / medical knowledge bases 医学知识库 / daily conversations 日常对话五大域）经 Super-NaturalInstructions 式模板重组的 122 项任务指令-实例对；HF 公开约 7.58 GB 23

生理信号语音信号评测基准图像分类

Speech Commands Dataset — 105,829 条 1 秒关键词识别音频语料

原始数据公开数据集非患者数据；2,618 名众包志愿者说话人（无性别/族裔等人口学属性采集）

Google Brain 发布的限定词表语音识别基准：35 个英文单词 + 背景噪声，2,618 名说话人，1 秒 16kHz WAV，CC BY 4.0 公开——端侧关键词识别的经典训练与评测集

Google Brain 众包采集的单字发音音频（16kHz 单声道 16-bit PCM WAV，每条约 1 秒），含 35 个英文词 + _background_noise_ 背景噪声 + validation_list.txt/testing_list.txt 官方划分清单 32

药物发现与化学多模态评测基准

QMugs — 类药物分子量子力学性质数据集

原始数据计算生成数据结构化数据不适用（计算化学数据集，非患者数据）

ETH Zurich RETHINK 组从 ChEMBL 提取 665,911 个类药物分子、生成 1,992,984 个构象，在 GFN2-xTB 与 DFT（ωB97X-D/def2-SVP）双理论级别上计算能量、部分电荷、转动常数乃至 DFT 密度与轨道矩阵波函数，未压缩逾 7 TB——首个面向类药物大分子的第一性原理量化数据集合，为 Δ-learning 与构象感知的量子机器学习铺路，Sci Data 2022 开放获取

ChEMBL 数据库提取的 665,911 个生物/药理相关类药物分子，经 GFN2-xTB 生成并优化 1,992,984 个构象，以 Psi4 计算单点性质与 DFT 波函数，存为 SDF 文件集（summary.csv + structures.tar.gz，经 libdrive.ethz.ch 分享） 25

药物发现与化学量子化学分子性质预测评测基准基因组学与多组学

MD22 — 42 至 370 原子生物大分子的 DFT 轨迹与力场基准

模拟数据原始数据开放数据不适用（非人类受试数据；7 个分子体系 / 323,422 个构型 / 23,716,460 原子-帧）

MD17 的大体系升级版——7 个生物大分子/超分子（四肽、脂肪酸、四糖、DNA 碱基对、巴基球捕捉器、双壁纳米管）的 FHI-aims + i-PI 从头算 MD 轨迹，含 DFT-PBE+MBD 势能与原子受力标签，共 32 万余构型，CC0-1.0 于 sgdml.org 公开

FHI-aims + i-PI 生成的 MD22 基准轨迹（DFT-PBE+MBD/tight 与 /light 两档基组），含每个构型的总势能与逐原子受力三维向量，7 个体系各自独立 .npz/XYZ 文件，另由 ColabFit Exchange 提供 7 个 Parquet 格式化镜像 40

药物发现与化学量子化学分子性质预测化学信息学分子生成

Open Catalyst 2020 — Meta FAIR 与 CMU 的亿级 DFT 电催化数据集

计算模拟物理化学性质原始数据不适用——非临床数据集；规模口径为 1,281,040 次 DFT 弛豫 / 约 264,890,000 次单点计算 / 460,328 个 IS2RE/IS2RS 体系 / S2EF 训练集 133

Meta FAIR 与 CMU 合建的异相电催化开放数据集：1,281,040 次 DFT 弛豫、约 2.65 亿次单点计算、460,328 个吸附质-催化剂体系与 133,934,018 帧 S2EF 训练数据，CC BY 4.0 全开放，定义了 AI for Science 时代材料模拟数据集的规模标杆

DFT（VASP，RPBE 泛函）计算的吸附质-催化剂弛豫轨迹：82 种吸附质 × 约 11,500 个 bulk 催化剂（Materials Project 溯源）× 55 种元素；含能量/逐原子受力/逐原子位置标注、Bader 电荷数据与 mapping 元数据（bulk_mpid、Miller 指数、吸附位点、异常码） 35

药物发现与化学化学信息学分子对接虚拟筛选评测基准药物-靶点相互作用

CSAR — 社区结构-活性资源基准数据集

实验测定结构数据专家整理非患者数据集：2010 基准集 343 个蛋白-配体复合物；CSAR-NRC HiQ 176+167 个复合物（52 靶点多结构+191 单结构）；2012 数据集 6 个蛋白靶点、757 个化合物（

美国国立卫生研究院资助、密歇根大学 Carlson 团队主持的社区结构-活性资源：以 Binding MOAD 与 PDBbind 精选 343 个高质量蛋白-配体复合物及 Kd/Ki 亲和力构建 2010 基准实验，衍生 CSAR-NRC HiQ 与 2012 制药数据捐赠集，成为分子对接打分函数评测的公共标尺

Binding MOAD 与 PDBbind 精选 PDB 共晶结构 + 实验结合亲和力（Kd/Ki，2010 集剔除仅 IC50 者；2012 集含 IC50）+ 配体 SMILES/MOL2 文件 + 对接 decoy 构象集 + 密歇根大学内部实测物性数据（logD/logP/热力学溶解度/pKa）+ Abbott、GSK、Vertex 捐赠数据（2014 基准为未发表制药数据） 21

药物发现与化学化学信息学分子性质预测评测基准

AqSolDB — 9982 化合物水溶性参考数据集

原始数据开源软件公开数据9982 个唯一化合物（非患者数据）；HuggingFace 社区镜像 train 7488 / test 2494

荷兰 DIFFER 研究所 AMD 团队从 9 个公开数据集系统性策展出的最大开放水溶性参考库——统一 LogS 单位、SMILES 往返校验、多源竞争值统计选值算法加 RDKit 二维描述符，成为分子性质回归的经典基准

Harvard Dataverse 公开数据集 AqSolDB（DOI 10.7910/DVN/OVHAW8）：9982 化合物实验水溶性值（LogS）+ SD + Ocurrences + Group 可靠性标签 + RDKit 计算 2D 描述符（MolWt/MolLogP/TPSA 等）+ SMILES/InChI/InChIKey 三重结构表示；策展源代码 GitHub mcsorkun/AqSolDB（MIT） 26

药物发现与化学化学信息学分子性质预测分子生成量子化学虚拟筛选

GEOM — 45 万分子、3700 万构象的能量标注分子几何系综数据集

计算生成实验标注原始数据不涉及人类受试者；450,000+ 分子物种 / 约 37,000,000 条构象

哈佛大学 Axelrod 与 MIT Gómez-Bombarelli 团队以 CREST 采样与半经验 DFT 生成的 Geometric Ensemble Of Molecules：覆盖 QM9 133,258 个小分子与 317,928 个带实验数据的药物类/生理类物种，另含 1,511 个 BACE-1 抑制剂的高精度隐式水 DFT 自由能标注，是 3D 分子机器学习时代构象生成与预训练的基石数据集

Harvard Dataverse GEOM V4（doi:10.7910/DVN/JNGTDF）：drugs/qm9 × crude/featurized MessagePack 包 + rdkit_folder RDKit pickle 汇编 + molecule_net 与 bace_water 实验标签包 + censo/crest Hessian 轨迹包；子集构成与规模明细见正文附录 A 32

生理信号可穿戴传感步态与运动时序数据评测基准

SisFall — 可穿戴惯性传感跌倒检测数据集

原始数据时序数据传感器数据38 名受试者（青年组 23 人 19-30 岁 + 老年组 15 人 60-75 岁，含 60 岁参与者 SE06）

哥伦比亚安蒂奥基亚大学自研腰部佩戴设备（双加速度计+陀螺仪，200 Hz）采集 38 名受试者的 19 种日常活动与 15 种模拟跌倒共 4504 条记录，是跌倒检测领域最常被引用的公开惯性传感器基准数据集

自研腰部佩戴惯性传感设备采集的三轴加速度（ADXL345 ±16g + MMA8451Q ±8g）与三轴角速度（ITG3200 ±2000°/s）时序记录，200 Hz 采样，19 种 ADL 与 15 种模拟跌倒，每记录 9 列 txt 文本文件 52

生理信号可穿戴传感睡眠信号队列研究评测基准神经科学

GLOBEM — 多年纵向可穿戴感知与心理健康数据集

时序数据调查数据真实世界数据705 人年（person-years）；497 唯一参与者；四年子集 INS-W_1=155 / INS-W_2=218 / INS-W_3=137 / INS-W_4=195

首个公开四年（2018-2021）被动移动与可穿戴感知数据集：705 人年 / 497 唯一参与者 / 24×7 追踪六类传感器流，以抑郁检测为起点基准 18 种算法，揭示行为模型跨数据集泛化的普遍坍塌

华盛顿大学 UW-EXP 研究四年（2018-2021）采集的手机 App（AWARE framework，iOS/Android）与 Fitbit 手环被动感知特征 + Pre/Post/EMA 问卷（含 BDI-II、PHQ-4 抑郁量表） 45

生理信号脑电信号癫痫评测基准

TUH Abnormal EEG Corpus — 天普大学异常脑电语料库 · 临床正常/异常二分类基准

原始数据临床数据人工标注2,993 条 EDF 记录 / 2,383 名受试者（官方 AAREADME 表：Normal 1,385 + Abnormal 998）；eval 253 唯一受试者 / train 2,076

天普大学医院 2002-2017 临床 EEG 中 2,993 条已判读记录、2,383 名受试者构成的正常/异常二分类子语料——由 López 2017 硕士论文建立、NEDC 维护至 v3.0.1，是 EEG 病理筛查的起步基准，并衍生出 TUABEX/TUABEXB/AutoTUAB 扩展谱系

Temple University Hospital 2002-2017 常规临床 EEG（10-20 系统，仅 01_tcp_ar 一种参考配置，EDF 剪枝格式），临床判读报告导出 normal/abnormal 记录级标签；约 60 GB；版本链 v2.0.0→v3.0.0→v3.0.1 43