OPRD-Imp：多步药物合成中实验观测到的杂质和副产物数据集

arXiv:2611.07488v1 公告类型：交叉收录 摘要：预测反应杂质是药物工艺化学中的一项关键挑战，但长期受到数据匮乏的制约。尽管用于预测反应结果的机器学习模型发展迅速，但由于缺乏经过整理且可公开获取的数据集，对其杂质预测能力进行基准评估仍难以实现。我们推出了 OPRD-Imp，该数据集收录了来自 Organic Process Research & Development 上 62 篇论文的 229 个有机反应，每个反应均标注了实验观测到的杂质及其形成机理。数据集共提供 784 条杂质记录，按来源分为四类。反应以反应 SMILES 表示，杂质以独立的 SMILES 字符串表示，并保留了多步合成路线的连接关系。所有数据均由受过培训的化学人员按照标准化提取规程，从原始论文中手动提取，并经过化学专家验证和人工结构绘制。OPRD-Imp 旨在为评估反应杂质预测模型提供基准资源，提供实验报告中的杂质标注和形成机理标签，而这些信息在传统反应数据集中尚未得到系统呈现。