Dataset Viewer
Auto-converted to Parquet
SMILES
stringlengths
19
95
Ki
float64
-5
1.31
CN1CCN(C2=Nc3ccccc3Nc3sc(CO)cc32)CC1
-0.778151
Cc1cc2c(s1)Nc1ccccc1N=C2N1CCN(C)CC1
-0.6229
Cc1cc2c(s1)Nc1ccccc1N=C2N1CCNCC1
-1.342423
Cc1cc2c(s1)Nc1ccccc1N=C2N1CC[N+](C)([O-])CC1
-1.939519
CC(=O)c1ccc(OCCCN2CC[C@H](NC(=O)[C@@H](N)CO)C2)cc1
-4.633468
Cc1ccc(S(=O)(=O)N[C@H]2CCN(CCCOc3ccc(C(=O)C4CC4)cc3)C2)cc1
-3.740363
CC(=O)c1ccc(OCCCN2CC[C@H](NS(=O)(=O)c3ccc(C#N)cc3)C2)cc1
-4.146128
O=C(c1ccc(OCCCN2CC[C@H](NS(=O)(=O)c3ccc(F)cc3)C2)cc1)C1CC1
-3.963788
CC(C)(C)c1ccc(S(=O)(=O)N[C@H]2CCN(CCCOc3ccc(C(=O)C4CC4)cc3)C2)cc1
-3.361728
CC(=O)c1ccc(OCCCN2CC[C@H](NC(=O)c3csc(-c4cccnc4)n3)C2)cc1
-4.041393
CCc1ccc(S(=O)(=O)N[C@H]2CCN(CCCOc3ccc(C(=O)C4CC4)cc3)C2)cc1
-3.361728
CC(=O)c1ccc(OCCCN2CC[C@H](NC(=O)c3ccc(C#N)cc3)C2)cc1
-4.113943
Cc1cccc(S(=O)(=O)N[C@H]2CCN(CCCOc3ccc(C(=O)C4CC4)cc3)C2)c1
-3.819544
CC(=O)c1ccc(OCCCN2CC[C@H](NC(=O)c3cccnc3)C2)cc1
-3.869232
N#Cc1cccc(S(=O)(=O)N[C@H]2CCN(CCCOc3ccc(C(=O)C4CC4)cc3)C2)c1
-3.94939
O=C(c1ccc(OCCCN2CC[C@H](NS(=O)(=O)c3ccccc3F)C2)cc1)C1CC1
-3.973128
O=C(c1ccc(OCCCN2CC[C@H](NS(=O)(=O)c3cccc(Cl)c3)C2)cc1)C1CC1
-3.556303
O=C(c1ccc(OCCCN2CC[C@H](NS(=O)(=O)c3ccc(Cl)cc3)C2)cc1)C1CC1
-3.39794
Cn1cnc(S(=O)(=O)N[C@H]2CCN(CCCOc3ccc(C(=O)C4CC4)cc3)C2)c1
-4.959041
O=C(c1ccc(OCCCN2CC[C@H](NS(=O)(=O)c3ccccc3Cl)C2)cc1)C1CC1
-3.653213
O=C(c1ccc(OCCCN2CC[C@H](NS(=O)(=O)c3ccc(Br)cc3)C2)cc1)C1CC1
-3.176091
O=C(c1ccc(OCCCN2CC[C@H](NS(=O)(=O)c3ccccc3)C2)cc1)C1CC1
-3.959041
N#Cc1ccccc1S(=O)(=O)N[C@H]1CCN(CCCOc2ccc(C(=O)C3CC3)cc2)C1
-3.792392
CC(=O)c1ccc(OCCCN2CC[C@H](NC(=O)c3cnccn3)C2)cc1
-4
O=C(N[C@H]1CCN(CCCOc2ccc(C(=O)C3CC3)cc2)C1)c1csc(-c2cccnc2)n1
-4.568202
N#Cc1ccc(S(=O)(=O)N[C@H]2CCN(CCCOc3ccc(C(=O)C4CC4)cc3)C2)cc1
-4.30103
O=C(c1ccc(OCCCN2CC[C@H](NS(=O)(=O)c3cccc(F)c3)C2)cc1)C1CC1
-3.770852
Cc1ccccc1S(=O)(=O)N[C@H]1CCN(CCCOc2ccc(C(=O)C3CC3)cc2)C1
-4.20412
COc1ccc(S(=O)(=O)N[C@H]2CCN(CCCOc3ccc(C(=O)C4CC4)cc3)C2)cc1
-3.643453
C[C@@H]1OC(=O)N(C(=O)NCCCN2CCC(c3ccc(F)cc3)CC2)[C@H]1c1ccc(F)c(F)c1
-1.732394
CC1CCCC(C)N1CCCOc1ccc(-c2ccc(C#N)cc2)cc1
-3.6
CCOC(=O)N1CCN(CCCOc2ccc(-c3ccc(OC)cc3)cc2)CC1
-2.549996
N#Cc1ccc(-c2ccc(OCCCN3CCCC(O)C3)cc2)cc1
-3.89
N#Cc1ccc(-c2ccc(OCCCN3CCOCC3)cc2)cc1
-3.51
CC1CCCCN1CCCOc1ccc(-c2ccc(C#N)cc2)cc1
-3.54
CCOC(=O)N1CCN(CCCOc2ccc(-c3ccc(C#N)cc3C)cc2)CC1
-1.439964
CCOC(=O)N1CCN(CCCOc2ccc(-c3c[nH]cn3)cc2)CC1
-3.17
N#Cc1ccc(-c2ccc(OCCCN3CC4CNCC4C3)cc2)cc1
-3.46
CCOC(=O)N1CCN(CCCOc2ccc(-c3ccc(C#N)cc3)cc2)CC1
-2.200002
CC1CCN(CCCOc2ccc(-c3ccc(C#N)cc3)cc2)CC1
-2.63
CCOC(=O)N1CCN(CCCOc2ccc(-c3ccc(OC(F)(F)F)cc3)cc2)CC1
-2.640004
CCOC(=O)N1CCN(CCCOc2ccc(-c3ccsc3)cc2)CC1
-2.880001
CC1CCCN(CCCOc2ccc(-c3ccc(C#N)cc3)cc2)C1
-2.439995
CN[C@@H]1CCN(CCCOc2ccc(-c3ccc(C#N)cc3)cc2)C1
-3.57
N#Cc1ccc(-c2ccc(OCCCN3CCCNCC3)cc2)cc1
-3.59
CCOC(=O)N1CCN(CCCOc2ccc(-c3cccc(C#N)c3)cc2)CC1
-2.580001
CCOC(=O)N1CCN(CCCOc2ccc(-c3ccc(Br)cc3)cc2)CC1
-2.26
N#Cc1ccc(-c2ccc(OCCCN3CCNCC3)cc2)cc1
-3.95
N#Cc1ccc(-c2ccc(OCCCN3CCC(O)CC3)cc2)cc1
-2.76
C[C@@]1(O)CCN(CCCOc2ccc(-c3ccc(C#N)cc3)cc2)C1
-3.59
CCOC(=O)N1CCN(CCCOc2ccc(-c3ccc(Cl)cc3)cc2)CC1
-2.549996
N#Cc1ccc(-c2ccc(OCCCN3CC[C@@H](N)C3)cc2)cc1
-4.14
CCOC(=O)N1CCN(CCCOc2ccc(-c3ccccc3[N+](=O)[O-])cc2)CC1
-2.209997
CCOC(=O)N1CCN(CCCOc2ccc(-c3cc[nH]c3)cc2)CC1
-2.700002
N#Cc1ccc(-c2ccc(OCCCN3CCC(N)CC3)cc2)cc1
-3.55
CCOC(=O)N1CCN(CCCOc2ccc(-c3ccc([N+](=O)[O-])cc3)cc2)CC1
-1.909984
CCOC(=O)N1CCN(CCCOc2ccc(-c3cccs3)cc2)CC1
-2.649997
CN(C)[C@@H]1CCN(CCCOc2ccc(-c3ccc(C#N)cc3)cc2)C1
-3.28
C[C@@H]1CC[C@@H](C)N1CCCOc1ccc(-c2ccc(C#N)cc2)cc1
-2.749999
CCOC(=O)N1CCN(CCCOc2ccc(-c3ccncc3)cc2)CC1
-3.57
N#Cc1ccc(-c2ccc(OCCCN3CCCC3)cc2)cc1
-3.7
O=C(c1ccc(F)cc1)C1CCN(CC2C[C@@H]3c4ccccc4Cc4ccccc4[C@H]3O2)CC1
-0.278754
CN1CCN(CC2C[C@@H]3c4ccccc4Sc4ccccc4[C@H]3O2)CC1
-0.079181
CN(C)CC1C[C@@H]2c3ccccc3Sc3ccccc3[C@H]2O1
-0.633468
c1ccc(C2CCN(CC3C[C@@H]4c5ccccc5Sc5ccccc5[C@H]4O3)CC2)cc1
-1.673021
OCCN1CCN(CC2C[C@@H]3c4ccccc4Cc4ccccc4[C@H]3O2)CC1
-0.568202
CN(C)C[C@@H]1C[C@@H]2c3ccccc3Cc3ccccc3N2O1
0.19382
Clc1cccc(N2CCN(CC3C[C@@H]4c5ccccc5Cc5ccccc5[C@H]4O3)CC2)c1
-2.673021
CN(C)CC1C[C@@H]2c3ccccc3N(C)c3ccccc3[C@H]2O1
-0.778151
CN1CCN(CC2C[C@@H]3c4ccccc4Cc4ccccc4[C@H]3O2)CC1
-0.477121
CN(C)CC1C[C@@H]2c3ccccc3OCc3ccccc3[C@H]2O1
-0.982271
CN(C)CC1C[C@@H]2c3ccccc3COc3ccccc3[C@H]2O1
-1.313867
c1ccc(C2CCN(CC3C[C@@H]4c5ccccc5Cc5ccccc5[C@H]4O3)CC2)cc1
-1.472756
c1ccc2c(c1)Cc1ccccc1[C@H]1CC(CN3CCOCC3)O[C@H]21
-0.372912
C[C@@H](NC(=O)c1ccc(N(C)C)cc1)C(=O)N1CCN(CCCOc2ccc(-c3noc(CC4CCCC4)n3)c(F)c2)CC1
-2.94939
OCCOCCN1CCN(C2=Nc3ccccc3Sc3ccccc32)CC1
-1.102427
CN1CCN(C2=Nc3cc(Cl)ccc3Nc3ccccc32)CC1
-0.622686
CN(C)CCOC1=Cc2ccccc2Sc2ccc(Cl)cc21
-0.303196
C[C@H]1CC[C@H](C)N1CCCOc1ccc(-c2ccc(C(=O)N3CCOCC3)cc2)cc1
-3.37
CC(C1=C(CCN(C)C)Cc2cc(Cl)ccc21)c1ccccn1
0.090016
CN1CCCC1CCNc1c2c(nc3ccccc13)CCCCC2
-3
C(#Cc1c2c(nc3ccccc13)CCCCC2)CCN1CCCCC1
-4.196812
CC(C1=C(CCN(C)CCF)Cc2ccccc21)c1ccccn1
-0.859978
CN(C)CCCNc1c2c(nc3ccccc13)CCCCC2
-3.886265
c1ccc2c(NCCCN3CCCC3)c3c(nc2c1)CCCCC3
-3.611192
CC(C1=C(CN(C)C)Cc2ccccc21)c1ccccn1
-1.459995
CCN(CC)C(=O)[C@@H]1C=C2c3cccc4[nH]cc(c34)C[C@H]2N(C)C1
-3.187521
CCOC(=O)N1CCN(CCCOc2ccc(C(=O)CC(C)C)cc2)CC1
-2.969998
CCOC(=O)N1CCN(CCCOc2ccc(C(=O)Cc3ccccc3)cc2)CC1
-2.969998
CCCCCC(=O)c1ccc(OCCCN2CCN(C(=O)OCC)CC2)cc1
-2.439995
CCCCCC(=O)c1ccc(OCCCN2CCN(C(=O)N3CCOCC3)CC2)cc1
-3.62
CCCCCC(=O)c1ccc(OCCCN2CCN(C(=O)C3CCC3)CC2)cc1
-2.549996
CCOC(=O)N1CCN(CCCOc2ccc(C(=O)c3cccc(C)c3)cc2)CC1
-2.580001
CCCCCC(=O)c1ccc(OCCCN2CCN(S(=O)(=O)C(C)C)CC2)cc1
-4.05
CCCCCC(=O)c1ccc(OCCCN2CCN(C(=O)CCC)CC2)cc1
-2.939998
CCCCCC(=O)c1ccc(OCCCN2CCN(CCCC)CC2)cc1
-2.819998
CCCCCC(=O)c1ccc(OCCCN2CCN(Cc3nccs3)CC2)cc1
-1.780029
CCOC(=O)N1CCN(CCCOc2ccc(C(=O)c3ccc(F)cc3)cc2)CC1
-2.320001
CCCCCC(=O)c1ccc(OCCCN2CCN(C(=O)c3ccccc3)CC2)cc1
-2.459995
CCCCCC(=O)c1ccc(OCCCN2CCN(CC3CC3)CC2)cc1
-3.35
End of preview. Expand in Data Studio

MoleculeACE ChEMBL231 Ki

ChEMBL231 dataset, originally part of ChEMBL database [1], processed in MoleculeACE [2] for activity cliff evaluation. It is intended to be use through scikit-fingerprints library.

The task is to predict the inhibitor constant (Ki) of molecules against the Histamine h1 receptor target.

Characteristic Description
Tasks 1
Task type regression
Total samples 973
Recommended split activity_cliff
Recommended metric RMSE

References

[1] B. Zdrazil et al., “The ChEMBL Database in 2023: a drug discovery platform spanning multiple bioactivity data types and time periods,” Nucleic Acids Research, vol. 52, no. D1, Nov. 2023, doi: https://doi.org/10.1093/nar/gkad1004. ‌

[2] D. van Tilborg, A. Alenicheva, and F. Grisoni, “Exposing the Limitations of Molecular Machine Learning with Activity Cliffs,” Journal of Chemical Information and Modeling, vol. 62, no. 23, pp. 5938–5951, Dec. 2022, doi: https://doi.org/10.1021/acs.jcim.2c01073. ‌

Downloads last month
87