乳腺癌药物发现小分子抗癌化合物数据集
本数据集为肿瘤领域的其他公开数据集，来源：zenodo。
基本信息
资源简介
乳腺癌药物发现小分子抗癌化合物数据集
该数据集名为 Small-Molecule Anticancer Compounds for Breast Cancer Drug Discovery，属于肿瘤 / 乳腺癌分类，来源于 doi.org。它汇集了从公开数据集和既往抗癌药物发现研究中收集的小分子抗癌化合物，主要来源是 Al-Jarf 等人报道的训练集和 ChEMBL 数据库。初始合并数据集包含 116,008 个分子，每个分子以 Simplified Molecular Input Line Entry System（SMILES）字符串表示。这些 SMILES 表示经过处理，以去除重复条目并验证其化学语法。为构建活性抗乳腺癌数据集，化合物从六个乳腺癌细胞系中收集：BT549、HS_578T、MCF7、MDA_MB_231_ATCC、MDA_MB_468 和 T47D，并提取相应的 GI50 值用于判定化合物活性。去除重复条目后，GI50 值小于或等于 5 的化合物被归类为活性。
【数据集背景】
该数据集面向乳腺癌药物发现场景，聚焦小分子抗癌化合物。其构建动机在于整合公开可得的化合物资源与既往抗癌药物发现研究中的训练数据，形成可用于乳腺癌相关活性筛选的数据基础。数据集所属分类为肿瘤 / 乳腺癌，来源站为 doi.org。
【数据内容】
初始合并数据集包含 116,008 个分子，每个分子均以 SMILES 字符串表示。SMILES 表示经过处理，用于去除重复条目并验证化学语法。为构建活性抗乳腺癌数据集，化合物从六个乳腺癌细胞系中收集，分别为 BT549、HS_578T、MCF7、MDA_MB_231_ATCC、MDA_MB_468 和 T47D。对应的 GI50 值被提取并用于确定化合物活性。去除重复条目后，GI50 值小于或等于 5 的化合物被归类为活性。
【采集与来源】
该数据集由从公开数据集和既往抗癌药物发现研究中收集的小分子抗癌化合物组成。主要来源是 Al-Jarf 等人报道的训练集和 ChEMBL 数据库。化合物活性判定所依据的 GI50 值来自上述六个乳腺癌细胞系。
【适用场景】
源站未提供。
【使用方法】
源站未提供。
【质量与限制】
SMILES 表示经过处理以去除重复条目并验证化学语法；在构建活性抗乳腺癌数据集时，亦进行了重复条目去除，并以 GI50 值小于或等于 5 作为活性分类标准。除此之外，源站未提供其他质量与限制说明。
【引用与许可】
源站未提供。
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。
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.22999336
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:
数据说明
该数据集包含从公开数据集和既往抗癌药物发现研究中收集的小分子抗癌化合物。主要来源是Al-Jarf等人报告的训练集和ChEMBL数据库。初始合并数据集包含116,008个分子，每个分子以其简化分子线性输入规范（SMILES）字符串表示。对SMILES表示进行了处理，以去除重复条目并验证其化学语法。为构建活性抗乳腺癌数据集，从六种乳腺癌细胞系中收集化合物：BT549、HS_578T、MCF7、MDA_MB_231_ATCC、MDA_MB_468和T47D。提取相应的GI50值并用于确定化合物活性。去除重复条目后，将GI50值小于或等于5的化合物归类为活性化合物。该过滤程序得到43,551个活性化合物的子集，随后用于模型训练和分子生成。该数据集支持训练变分自编码器（VAE），以学习化学空间的连续潜在表示。
由此得到的活性化合物数据集也为基于遗传算法（GA）生成和优化候选抗癌分子提供了基础。
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。
需要用于商业化训练或医疗器械注册（NMPA/FDA）？
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托陕川双基地与超十家三甲医院直连，提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。
