MolJam: 评估分子数据集质量及其对机器学习影响的多维框架

摘要

MolJam是一个开源框架，从结构完整性、数据质量、实验信息质量、化学空间覆盖和数据分布五个维度，使用12个标准化指标量化评估分子数据集质量。应用于11个MoleculeNet和8个ChEMBL数据集时，发现广泛的质量问题，包括高达70.72%的分子立体化学未定义、分子表示不一致和标签矛盾。对ESOL和Lipophilicity数据集的优化提高了MolJam质量分数，但对预测性能影响不一，这表明数据集大小减少的竞争影响。控制消融实验表明，数据集质量和数据量都影响模型性能，且当数据量增加足以补偿质量损失时，保留立体化学信息不完整的分子可能优于去除它们。因此，分子数据集整理不能仅追求最大化数据清洁度，而需平衡多个质量维度与信息损失。MolJam为诊断数据集局限、比较基准质量和评估数据整理决策对下游机器学习的影响提供了标准化框架。