Dataset Card for peptidomimetic-pretrain

peptidomimetic-pretrain 是一個以 SELFIES（Self-Referencing Embedded Strings）分子表示法所構成的仿肽（peptidomimetic）預訓練語料集，包含訓練集 1,433,044 筆與驗證集 29,245 筆分子，適用於以 Causal Language Modeling（CLM）方式預訓練分子生成模型，作為 PSMA 靶向藥物探索模型之第一階段基礎訓練素材。

Dataset Details

Dataset Description

本資料集針對 PSMA（Prostate-Specific Membrane Antigen，又稱 Glutamate Carboxypeptidase II, GCPII）靶點之仿肽藥物探索任務設計，蒐集既有之 PSMA 相關配體分子，將其轉換為 SELFIES 字串，並預先進行 CLM 格式之 tokenization，形成可直接餵入語言模型訓練迴圈之預處理語料。

SELFIES 相較於 SMILES 的優勢在於其任意字串均可保證為有效分子（100% validity），非常適合用於生成式分子設計任務，可避免模型輸出無效化合物之問題。

• Curated by: Liang Hsun Huang
• Language(s) (NLP): English / SELFIES notation
• License: MIT
• Purpose: Phase 1 pretraining for the PSMA-targeted drug discovery model lianghsun/peptide-dpt

Dataset Sources

• Repository: lianghsun/peptidomimetic-pretrain
• Downstream Project: lianghsun/peptide-dpt
• Original Sources:
  • ChEMBL GCPII (CHEMBL3231)
  • RCSB PDB — co-crystal ligands
  • BindingDB (UniProt Q04609)

Uses

Direct Use

本資料集主要設計用於：

• 以 CLM 方式預訓練分子生成語言模型，學習 PSMA 相關仿肽化合物之分子骨架分佈；
• 作為 peptide-dpt 之 Phase 1 預訓練階段的基礎語料；
• 研究 SELFIES 格式下之分子語言建模與 tokenization 策略；
• 藥物探索領域中以語言模型為基礎之生成式分子設計任務。

Out-of-Scope Use

本資料集不適用於下列用途：

• 作為分子活性（binding affinity）或毒性之預測資料集，本資料集僅包含分子結構，不含定量活性標註。
• 直接用於 PSMA 以外之靶點藥物設計，本語料之分子分佈偏向 PSMA 相關化合物。
• 作為藥物臨床使用之依據，任何生成之分子均需經實驗驗證與臨床試驗。
• 以 SMILES 為主之訓練流程，本資料集採用 SELFIES 格式。

Dataset Structure

{
  "selfies": "[C][N][S][=Branch1][C][=O][=Branch1][C][=O][C][=C][C][=C]...",
  "input_ids": [1, 159, 206, 243, 90, 159, 105, ...],
  "labels":    [159, 206, 243, 90, 159, 105, 90, ..., 2]
}

欄位	型別	說明
selfies	string	分子 SELFIES 字串表示法
input_ids	list[int64]	CLM 格式之 tokenized 輸入（以 BOS 開頭）
labels	list[int64]	CLM 格式之 labels（相對 input_ids 向右位移 1，末尾加 EOS）

切分	筆數
train	1,433,044
validation	29,245

Dataset Creation

Curation Rationale

PSMA 是前列腺癌與多種神經內分泌腫瘤之重要靶點，相關仿肽藥物之設計長期受限於可用訓練語料之不足。本資料集將 ChEMBL、PDB、BindingDB 等公開科學資料庫中與 PSMA 相關之配體分子整合為統一之 SELFIES 語料，並預先 tokenize 為 CLM 格式，方便直接投入分子生成語言模型之預訓練流程。

Source Data

Data Collection and Processing

資料蒐集自下列公開科學資料庫：

1. ChEMBL GCPII（CHEMBL3231）：針對 GCPII / PSMA 之活性配體分子。
2. RCSB PDB co-crystal ligands：PSMA 共結晶結構中之配體。
3. BindingDB（UniProt Q04609）：PSMA 之結合親和力資料。

所有分子皆轉換為 SELFIES 表示法，並以自訂 tokenizer 進行編碼，產生 input_ids 與 labels（labels 由 input_ids 向右位移 1 形成 CLM 訓練目標）。資料以 train/validation 切分後儲存為 parquet 格式。

Who are the source data producers?

原始分子資料由 ChEMBL（EMBL-EBI）、RCSB PDB 與 BindingDB 等科學組織維護，由全球藥物化學與結構生物學研究社群共同貢獻。

Annotations

Annotation process

本資料集不包含額外標註。input_ids 與 labels 為自動 tokenization 之結果。

Who are the annotators?

不適用。

Personal and Sensitive Information

本資料集僅包含分子結構資料，不涉及個人資訊、醫療紀錄或敏感資料。

Bias, Risks, and Limitations

• 分子分佈偏向 PSMA 靶點之既有配體空間，模型可能難以產出結構上與現有化合物差異極大之新穎分子。
• SELFIES 雖保證生成分子有效，但並不保證分子之可合成性或藥理活性。
• Tokenization 結果依賴特定 tokenizer，若下游使用不同 tokenizer 則需重新處理。
• 資料量受限於公開資料庫涵蓋之 PSMA 配體數量，約百萬筆級別。
• 本資料集不含靶點親和力、ADMET 或毒性之定量標註，無法單獨用於活性預測任務。

Recommendations

建議使用者：

• 以本資料集進行預訓練後，搭配 PSMA 活性資料進行下游微調（如 reward-based 或 DPO-based 分子優化）；
• 生成之候選分子應以分子對接、合成可行性評估與實驗驗證進行篩選；
• 若應用於其他靶點，建議重新蒐集相應之配體資料並進行領域適應性訓練。

Citation

@misc{peptidomimetic-pretrain,
  title        = {peptidomimetic-pretrain: A SELFIES Corpus for PSMA-targeted Drug Discovery},
  author       = {Liang Hsun Huang},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/datasets/lianghsun/peptidomimetic-pretrain}},
  note         = {1.43M training + 29K validation SELFIES molecules for Phase 1 pretraining of the peptide-dpt model.}
}

Dataset Card Authors

Liang Hsun Huang

Dataset Card Contact

Liang Hsun Huang