二维纳米材料药物载体筛选的可复现GFN2-xTB与对接及无泄漏QSAR流程数据集
该数据集收录了 Perspective 文章的四幅手稿图与跨系统汇总数据集，配套完整可复现流程（图生成器、跨仓库数据聚合脚本及手稿生成器）归档于 GitHub 对应发布版本
基本信息
资源简介
二维纳米材料药物载体筛选的可复现GFN2-xTB与对接及无泄漏QSAR流程数据集
Don't Fool Yourself When Screening 2D-Nanomaterial Drug Carriers: A Reproducible GFN2-xTB + Docking + Leak-Free QSAR Pipeline, Four Disease Case Studies, and a Cautionary Tale
该数据集收录了 Perspective 文章的四幅手稿图与跨系统汇总数据集，配套完整可复现流程（图生成器、跨仓库数据聚合脚本及手稿生成器）归档于 GitHub 对应发布版本。内容源自四个独立纳米 QSAR 案例研究，均采用同一可复现的 GFN2-xTB + 对接 + 无泄漏 QSAR 流程：KRAS-G12D/g-C3N4、胶质母细胞瘤/MXene、TNBC/B36N36 纳米笼及阿尔茨海默病 Tau/硼烯。各系统完整代码、精选数据集与计算输出分别归档于各自仓库与 Zenodo 存档。可用于纳米材料药物载体筛选的方法学验证与可复现性研究（来源 DOI 解析，Creative Commons Attribution 4.0 Inter。
【数据集背景】
源站首次发布：2026。
【数据内容】
源站描述（机器翻译，仅供参考）：本记录保存了 Perspective 文章《Don't Fool Yourself When Screening 2D-Nanomaterial Drug Carriers》的 4 幅手稿图与跨系统汇总数据集，该文已投稿至 Beilstein Journal of Nanotechnology。完整、完全可复现的流程（图生成器、跨仓库数据聚合脚本及手稿生成器本身）归档于 GitHub 对应发布版本： Perspective 从四个独立纳米 QSAR 案例研究中提炼方法学教训，这些案例均使用同一可复现的 GFN2-xTB + 对接 + 无泄漏 QSAR 流程构建：KRAS-G12D/g-C3N4、胶质母细胞瘤/MXene、TNBC/B36N36 纳米笼及阿尔茨海默病 Tau/硼烯。各系统自身的完整代码、精选数据集与计算输出分别归档于各自仓库与 Zenodo 存档（DOIs 10.5281
【主题与分类】
主题标签：2D Nanomaterials、Drug Delivery、QSAR/QSPR Validation、GFN2-xTB、Molecular Docking、Reproducibility、Data Leakage。本站分类：肿瘤/脑肿瘤。
【获取与许可】
源站页面：https://zenodo.org/doi/10.5281/zenodo.22760388
使用许可：Creative Commons Attribution 4.0 International。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://doi.org/10.5281/zenodo.22760388
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据集大小约 3.2 MB。
数据说明
本记录保存了投稿至Beilstein Journal of Nanotechnology的Perspective文章《Don’t Fool Yourself When Screening 2D-Nanomaterial Drug Carriers》的4幅手稿插图及跨系统汇总数据集。完整且完全可复现的流程（插图生成器、跨仓库数据聚合脚本及手稿生成器本身）已归档于GitHub上对应的发布版本：https://github.com/sircalch/methods-pipeline-2d-nanocarriers/releases/tag/v1.0.1。该Perspective文章从四项独立的纳米定量构效关系（nano-QSAR）案例研究中提炼出一条方法论经验，这些研究均采用同一套可复现的GFN2-xTB + 分子对接 + 无泄漏QSAR流程构建：KRAS-G12D/g-C3N4、胶质母细胞瘤/MXene、TNBC/B36N36纳米笼以及阿尔茨海默病Tau/硼烯。每个系统各自的完整代码、精选数据集及计算结果均归档于其各自的代码仓库和Zenodo存储库（DOI：10.5281/zenodo.22187819、22187857、22187834、22187873）。
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
