MétaCan
Menu
Retour à la cohorte
Enregistrement W3217447180 · doi:10.5281/zenodo.4085098

Leffingwell Odor Dataset

2020· dataset· en· W3217447180 sur OpenAlexaff
Benjamín Sánchez-Lengeling, Jennifer N. Wei, Brian K. Lee, Richard C. Gerkin, Alán Aspuru‐Guzik, Alexander B. Wiltschko

Notice bibliographique

RevueZenodo (CERN European Organization for Nuclear Research) · 2020
Typedataset
Langueen
DomaineEngineering
ThématiqueAdvanced Chemical Sensor Technologies
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésOdorComputer scienceArtificial intelligenceBiologyNeuroscience

Résumé

récupéré en direct d'OpenAlex

<p><strong>NOTE: It's easier to download this dataset from <a href="https://github.com/pyrfume/pyrfume">pyrfume</a>. Here's how:</strong></p>\n\n<pre><code># First install pyrfume in your Python environment. This can be done easily with pip.\n# pip install pyrfume\n\nimport pyrfume\nmolecules = pyrfume.load_data('leffingwell/molecules.csv', remote=True)\nbehavior = pyrfume.load_data('leffingwell/behavior.csv', remote=True)\n# e.g. to count the number of molecules with each descriptor\nbehavior.sum().sort_values(ascending=False).astype(int) \n\n</code></pre>\n\n<p>Predicting properties of molecules is an area of growing research in machine learning, particularly as models for learning from graph-valued inputs improve in sophistication and robustness. A molecular property prediction problem that has received comparatively little attention during this surge in research activity is building Structure-Odor Relationships (SOR) models (as opposed to Quantitative Structure-Activity Relationships, a term from medicinal chemistry). This is a 70+ year-old problem straddling chemistry, physics, neuroscience, and machine learning.</p>\n\n<p>To spur development on the SOR problem, we curated and cleaned a dataset of 3523 molecules associated with expert-labeled odor descriptors from the <em>Leffingwell PMP 2001</em> database.  We provide featurizations of all molecules in the dataset using bit-based and count-based fingerprints, Mordred molecular descriptors, and the embeddings from our trained GNN model (Sanchez-Lengeling et al., 2019). This dataset is comprised of two files: </p>\n\n<ol>\n\t<li><strong>leffingwell_data.csv</strong>: this contains molecular structures, and what they smell like, along with train, test, and cross-validation splits. More detail on the file structure is found in leffingwell_readme.pdf.</li>\n\t<li><strong>leffingwell_embeddings.npz</strong>: this contains several featurizations of the molecules in the dataset.</li>\n\t<li><strong>leffingwell_readme.pdf</strong>: a more detailed description of the data and its provenance, including expected performance metrics.</li>\n\t<li><strong>LICENSE</strong>: a copy of the CC-BY-NC license language.</li>\n</ol>\n\n<p>The dataset, and all associated features, is freely available for research use under the <a href="https://creativecommons.org/licenses/by-nc/4.0/">CC-BY-NC</a> license.</p>\n\n<p>If you use the data in a publication, please cite:</p>\n\n<pre>@article{sanchez2019machine,\n title={Machine learning for scent: Learning generalizable perceptual representations of small molecules},\n author={Sanchez-Lengeling, Benjamin and Wei, Jennifer N and Lee, Brian K and Gerkin, Richard C and Aspuru-Guzik, Al{\\'a}n and Wiltschko, Alexander B},\n journal={arXiv preprint arXiv:1910.10685},\n year={2019}\n}</pre>

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,041
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0020,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,048

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,030
Tête enseignante GPT0,233
Écart entre enseignants0,203 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreJeu de données

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueZenodo (CERN European Organization for Nuclear Research)Même sujetAdvanced Chemical Sensor TechnologiesTravaux en français237 207