IRexp 实验红外吸收峰列表数据集
数据集简介
数据集定位与用途
IRexp 的核心工作是把散落在开放获取论文正文与支持信息中的实验红外吸收峰列表抽取为机器可读记录,并链接到分子结构,供机器学习与化学信息学研究使用。每条记录保留来源论文与来源许可,使数据在二次使用时可追溯。数据以商业可用池(CC-BY/CC0)形式发布,归档于 Hugging Face 与 Zenodo。
记录规模与结构层级
研究语料共 239,735 条实验 IR 峰列表记录。结构关联按层级划分:
| 层级 | 记录数 | 说明 |
|---|---|---|
| tiers A–D | 101,624 | 关联到分子结构 |
| tiers A–B | 56,035 | 式量或 HRMS 匹配 |
公开商业池共 163,931 条,其中 85,878 条来自 PMC 正文,78,053 条来自 PMC 支持信息。构建过程扫描了 220,159 个 PMC 标识符,所有峰位均位于 400–4000 cm⁻¹。
下载与文件组织
数据可通过 Hugging Face(ilkhamfy/IRexp)与 Zenodo(DOI 10.5281/zenodo.23463965)免费获取。Zenodo 归档 zip 为 47.2 MB,总数据量约 225.5 MB。主要文件包括:
data/irexp_commercial.jsonl.gz:商业池主记录data/irexp_resolved_commercial.jsonl.gz:结构解析后的记录data/train_no_bench_commercial.jsonl.gz:训练用记录seen_papers.txt.gz:已处理论文清单
仓库另提供商业结构隔离 ID 列表、构建统计与 SHA256 校验和。记录字段包含 per-record license、has_structure 标志、InChIKey-14 键以及结构层级 tiers A–D / X。
许可与使用条件
商业池以 CC-BY-4.0 发布,并保留每条记录的来源许可(CC-BY 或 CC0)。仓库代码采用 MIT 许可。ShareAlike(1,897 条)、非商业(65,007 条)与 CC-BY-ND(5 条)配套数据仅在 Hugging Face 上按来源许可提供,不包含在 CC-BY-4.0 归档中。
相关资源与引用
数据集由 Ilkham Yabbarov、Rudra Sondhi 与 Rodrigo A. Vargas-Hernández 构建,机构为 McMaster University,抽取代码见 IlkhamFY/spectro-agent。正式引用请使用 Zenodo DOI 10.5281/zenodo.23463965(版本 v0.2,发布于 2026 年 10 月 19 日)。