药物分子性质预测数据集DrugMoleculePropertyPrediction-khiariaymen
数据来源：互联网公开数据
标签：药物研发, 分子性质, 机器学习, 药物筛选, 结构-活性关系, 药理学, 计算机辅助药物设计, 化学信息学
数据概述：
该数据集包含经过清洗的药物分子结构及相关性质数据，用于预测药物分子的理化性质、生物活性等。主要特征如下：
时间跨度：数据未明确标注时间，可视为静态数据集。
地理范围：数据来源未明确标注，通常代表全球范围内的药物分子。
数据维度：包括多种分子描述符和生物活性相关指标，如Lipinski规则相关参数（ro5(lipinski)）、可旋转键数量（rotatable bonds）、溶解度参数（algop）、芳香环数量（aromatic rings）、生物活性（Bioactivities）、酸碱离解常数（CX Acidic pKa, CX Basic pKa）、分配系数（CX LogD, CX LogP）、氢键受体数量（HBA (Lipinski)）、氢键供体数量（HBD）、重原子数量（Heavy Atoms）、无机标志（Inorganic Flag）、最大相位（Max Phase）、分子种类（Molecular Species_0, Molecular Species_1, Molecular Species_2）、分子量（Molecular Weight (Monoisotopic)）、符合Ro3规则的分子（Passes Ro3）、极性表面积（Polar Surface Area）、QED加权值（QED Weighted）、SMILES字符串（Smiles）、靶点数量（Targets）、分子类型（Type_0, Type_1, Type_2）等。
数据格式：CSV格式，文件名为df_cleaned_no_out_fs.csv，方便数据分析与建模。
数据来源：数据来源未明确，但经过清洗与预处理，适合用于药物分子性质预测模型构建。
该数据集适合用于药物分子性质预测、结构-活性关系分析、药物筛选等研究。
数据用途概述：
该数据集具有广泛的应用潜力，特别适用于以下场景：
研究与分析：适用于药物化学、计算化学、药理学等领域的学术研究，如药物分子性质预测、药物设计与发现、虚拟筛选等。
行业应用：可以为药物研发企业提供数据支持，特别是在药物先导化合物的筛选、优化和预测方面。
决策支持：支持药物研发过程中的关键决策，如药物分子的选择、合成路线的设计等。
教育和培训：作为药物化学、计算生物学等课程的实训材料，帮助学生和研究人员深入理解药物分子的结构与性质之间的关系。
此数据集特别适合用于探索药物分子的结构与性质之间的内在关联，帮助用户构建预测模型，从而加速药物研发流程，降低研发成本。
