22个AI for Science数据集覆盖基因材料气象农业

AI for Science 正在拓展人工智能参与科学研究的方式。从基因分析、作物病害识别，到材料性能预测与气象水文建模，AI 正逐步融入不同学科的研究流程，帮助研究人员从复杂数据中识别规律、提出假设并开展验证。

随着 AI 与专业学科不断融合，科学数据的价值也延伸至模型训练、能力评测与实验优化等环节。例如，LLM4Mat-Bench 为材料属性预测提供评测资源，Reac-Discovery 则将结构设计、实验数据与机器学习结合，用于优化反应器及反应条件。数据正在连接科学问题、计算模型与实验验证，支持 AI 更深入地参与科研过程。

本文整理了 22 个 AI for Science 相关数据集，分为生物医药、农业科学、材料化学和地球科学四类，覆盖基因案例分析、病害图像识别、晶体结构与材料属性、气象水文观测及生态环境研究等方向。这些资源为不同领域的研究者提供了开展数据分析、模型训练与基准测试的入口，也提示我们：推动 AI 服务科学研究，需要持续建设来源清晰、质量可靠、适合具体研究任务的数据基础。

以下数据集已在 HyperAI 上线，助力研究人员与开发者快速探索训练、评测与应用。

https://hyper.ai/datasets

在线运行：https://go.hyper.ai/jbIBf

TACK（TArgeting Chimeras Knowledge）是由 AI Laboratory for Molecular Engineering 于 2026 年发布的一个标准化知识库数据集与基准测试集，该数据集专为机器学习驱动的 PROTAC 降解活性预测任务构建，旨在解决现有 PROTAC 机器学习基准中数据稀缺、缺乏严格评估及覆盖范围有限的问题。 

该数据集共包含 6561 条记录，共涵盖 3514 个唯一 PROTAC 分子、164 个靶标蛋白（Protein of Interest，POI）、9 种 E3 泛素连接酶（E3 Ligases）以及 155 种细胞系（Cell Lines），具有丰富的化学结构特征和生物学实验条件多样性。

在线运行：https://go.hyper.ai/CooDU

GeneBench-Pro Public Package 是由 OpenAI 发布的公开基因分析基准评测数据集，旨在为人工智能代理（AI Agents）在基因与生物医学领域提供可复现的科研案例研究评估环境。 

该数据集包含 10 个面向基因组学与生物信息学领域的独立问题案例，覆盖统计遗传学、临床基因组学、群体遗传学、单细胞分析、三维基因组学及功能基因组学等领域。数据包含任务描述、公开的参考答案（ground truth）、评分规则（grader contract）及官方技术报告。

在线运行：https://go.hyper.ai/FTmEG

Sleep 是一个哺乳动物睡眠特征数据集，用于睡眠生态学、比较生理学等领域的统计分析，相关论文成果 Sleep in Mammals:Ecological and Constitutional Correlates。该数据集包含 62 种哺乳动物的脑重、体重、寿命、妊娠期、睡眠时间以及捕食和危险指数等数据。

在线运行：https://go.hyper.ai/d8lfc

SASH-VPV 是一个用于生物特征识别与计算机视觉研究的近红外掌静脉生物识别基准数据集，旨在研究手掌皮下静脉结构的身份认证，广泛应用于生物识别系统开发、深度学习模型训练以及跨会话鲁棒性研究。

数据集示例

在线运行：https://go.hyper.ai/jeBG8

Eczema and Tinea Skin Disease 是一个湿疹与癣皮肤病医学图像数据集，旨在为二分类图像分类任务提供更精简、实用的数据支持，广泛应用于皮肤病图像分类任务、深度学习模型训练与评估、小样本与迁移学习研究，以及医学图像分析教学与实验中。 该数据集共包含 2147 张皮肤病图像。

在线运行：https://go.hyper.ai/QhBW1

Rose Leaf Diseases 是一个玫瑰叶片病害数据集，旨在为用于检测玫瑰叶片病害模型的开发与基准测试提供高质量的图像数据，广泛应用于植物监测系统的构建。

该数据集原始版本共包含 2458 张来自孟加拉国的玫瑰叶片图像，划分为黑斑病、霜霉病、干叶病、健康叶以及虫孔五个类别。

在线运行：https://go.hyper.ai/rS1FT

Rice Leaf Disease Detection 是一个专门面向精准农业目标检测任务构建的水稻叶片图像数据集，旨在提升计算机视觉模型在真实农业场景中的病害检测、分类与定位能力，广泛应用于 YOLO 系列模型训练、农业病害检测、边缘端视觉部署及智能水稻种植管理等应用场景。 

该数据集包含 8665 张水稻叶片图像，涵盖 9 个类别，包括健康水稻叶片以及 8 种常见病害：细菌性叶枯病、褐斑病、稻纵卷叶虫危害、稻瘟病、叶焦病、叶黑粉病、窄褐斑病和穗颈瘟。

在线运行：https://go.hyper.ai/PsaWZ

GRAPE Leaf Diseases 是一个专门面向精准农业目标检测任务构建的葡萄叶片图像数据集，旨在提升计算机视觉模型在真实农业场景中的病害检测、分类与定位能力，广泛应用于 YOLO 系列模型训练、农业病害检测、边缘端视觉部署及智能葡萄种植管理等应用场景。 

该数据集包含 4195 张葡萄叶片图像，涵盖 4 个类别，包括健康葡萄叶片以及 3 种常见病害：黑腐病、埃斯卡病和叶枯病。

在线运行：https://go.hyper.ai/WpVFZ

Corn Leaf Diseases 是一个专门为精准农业中的目标检测任务设计的玉米叶片图像数据集，旨在提升模型在农业场景中的病害检测与分类能力，广泛应用于智能农情监测与早期预警和计算机视觉模型的训练。 

该数据集包含 4027 张玉米叶片图像，涵盖 4 个类别，涵盖健康的玉米叶片以及 3 种常见的病害：锈病、灰斑病和枯萎病。

数据集示例

在线运行：https://go.hyper.ai/rivXt

Apple Leaf Diseases 是一个专门为精准农业中的目标检测任务设计的高质量苹果叶片图像数据集，可直接用于 YOLOv8、YOLOv11 等计算机视觉模型的训练、农业病害识别研究及智能农业应用开发。 

该数据集包含 3444 张苹果叶片图像，涵盖 4 个类别，包括健康的苹果叶片以及 3 种高发病害：黑腐病（Black Rot）、雪松锈病（Cedar Rust）和褐斑病（Scab）。

数据集示例

在线运行：https://go.hyper.ai/STqAK

Reac-Discovery 是由 Jaume I University 于 2025 年发布的一个用于人工智能驱动的流动反应器设计与反应性能优化的数据集，相关论文成果为「Reac-Discovery: an artificial intelligence–driven platform for continuous-flow catalytic reactor discovery and optimization」。 

该数据集依托团队自主开发的 Reac-Discovery 平台，在实验过程中自动生成，未使用任何外部公开数据源。数据集涵盖几何结构、可打印性与反应性能三类数据，对应平台的 Reac-Gen、Reac-Fab、Reac-Eval 三个功能模块。

在线运行：https://go.hyper.ai/2e3WA

QMOF150 是由 Meta 联合剑桥大学于 2025 年发布的一个量子化学数据集，相关论文成果为：「All-atom Diffusion Transformers: Unified generative modelling of molecules and materials」，旨在加速量子材料的发现。 

该数据集包含约 14,000 个金属有机框架（MOF）和配位聚合物。其中，经实验表征的 MOF 在通过 DFT 进行结构弛豫后，其计算属性被涵盖在内，这些属性包括但不限于优化的几何形状、能量、带隙、电荷密度、状态密度、部分电荷、自旋密度和键序。

在线运行：https://go.hyper.ai/XndaJ

MP-20-PXRD 基准数据集是由哥伦比亚大学、斯坦福大学于 2025 年联合提出，用来对一种基于扩散模型的生成式人工智能结构解析方法 PXRDnet，进行以端到端的训练。相关研究以「Ab initio structure solutions from nanocrystalline powder diffraction data via diffusion models」为题，发表于 Nature Materials 。 

该数据集从 Materials Project 数据库中采样的材料组成，其晶胞内原子数量最多为 20 个，包含 45,229 种材料，按照 90%、7.5%、2.5% 的比例用以训练、验证和测试。

在线运行：https://go.hyper.ai/uHA6X

LLM4Mat-Bench 是由普林斯顿大学、 多伦多大学等机构联合创建的一个用于材料属性预测的多模态语言模型评估数据集，相关论文成果为「LLM4Mat-Bench: Benchmarking Large Language Models for Materials Property Prediction」, 旨在评估大型语言模型 (LLMs) 在材料属性预测与材料发现任务中的性能。

该数据集收录了约 197 万条晶体结构样本，来自 10 个公开材料数据库，涵盖 45 种不同的材料物理与化学属性，是迄今为止用于评估大型语言模型用于材料性能预测的性能的最大基准。

LLM4Mat-Bench 统计数据

在线运行：https://go.hyper.ai/LbIWK

Materials DFT 是一个专为材料科学研究与开发设计的精选数据集，提供了大量来自材料项目数据库高质量材料属性记录。该数据集涵盖了多种化学成分和物理属性，每条数据对应一种独特的材料。所有属性均通过密度泛函理论 (DFT) 计算获得，这是材料行为预测中广泛使用的计算方法。

该数据集适用于材料属性建模、机器学习训练以及材料发现等任务，为数据科学家与研究人员提供了强有力的基础数据支持。

在线运行：https://go.hyper.ai/csQWG

Eclipse Soundscapes ESID#657 是由 NASA 资助的公民科学项目 Eclipse Soundscapes 发布的 2024 年日全食声景音频数据集，旨在为日食期间环境声学变化与动物鸣声行为研究提供原始录音数据，支持生态声学分析、日食生态效应研究及公民科学数据质量研究。

该数据集中的音频均为采集站 ESID#657（位于北纬 37.48431°，西经 89.089°）在 2024 年 4 月 8 日日全食当天及前后数天（2024-04-06 至 2024-04-11，UTC）录制的原始声景录音。

在线运行：https://go.hyper.ai/dWn7v

USGS Global Earthquake 是一个基于美国地质调查局（USGS）地震事件数据整理的全球区域地震数据集，旨在为地震活动的时空分布分析、区域地震灾害研究及数据可视化教学提供数据。

该数据集覆盖 1900 至 2026 年的地震记录，每个文件收录对应一个地震事件，记录震级、发震时间、经纬度、深度、震中位置描述等 USGS 标准事件字段，并根据坐标补充了大洲、区域和国家等地理字段。该数据集为原始全球地震数据集的区域拆分版本，已按地理区域保存为独立的 CSV 文件。

数据集示例

在线运行：https://go.hyper.ai/T18Kp

Maritime Continent Satellite Weather 是一个面向海洋性大陆区域的卫星气象图像数据集，旨在探索深度学习在气象预报与短临预报（Nowcasting）中的应用，并支持降雨预测、雷暴识别及多模态模型融合等研究。 

该数据集包含 95,036 张按小时采集的 Himawari-8/9 卫星红外图像帧，并与气象数据配对，涵盖海洋性大陆西部区域（东南亚及马六甲海峡区域，覆盖新加坡、印度尼西亚、马来西亚及泰国等国家），并配套上述国家的 23 个城市的地面天气数据，每个城市文件包含 97,056 行数据。

在线运行：https://go.hyper.ai/Vjtpq

Global Climate & Energy Transition 2000-2026 是面向气候变化、能源转型与碳减排研究的全球气候与能源转型数据集，旨在系统刻画全球气候变化与能源转型过程，可广泛应用于气候科学、ESG 研究、能源经济学、碳市场分析、政策评估以及机器学习预测等多个领域。 

该数据集记录了 2000-2026 年全球气候变化与能源转型进程，涵盖全球及多个区域的温度异常变化、50 个国家的二氧化碳排放量、能源结构转型（煤炭转变为可再生资源）、5 个主要碳排放交易市场价格以及 50 个具有代表性的重大气候事件。

在线运行：https://go.hyper.ai/e3nmq

Caravan 是一个开放的全球社区大样本水文数据集，该数据集标准化并整合了七个现有的大样本水文数据集，包含全球流域的气象强迫数据、流域属性和流量数据。 该数据集包含 6830 个流域的气象驱动数据、径流数据以及静态流域属性（例如，地球物理、社会、气候属性）。

数据来自于 CAMELS (US) 、CAMELS-AUS 、CAMELS-BR 等多个现有的开放数据集。径流（河流流量）数据已按流域面积进行归一化处理，单位为毫米/天。所有数据均按照测站所在的本地时区进行记录（全年不采用夏令时）。该时区信息包含在元数据中。

在线运行：https://go.hyper.ai/VOfsw

Aquatic Wildlife Atlas: Global Species Records 是一个面向水生生物生态研究与生物多样性分析构建的大规模水生动物观测数据集，旨在为研究人员、学生与数据科学家提供高质量的水生生态数据资源，广泛应用于物种分类、生物多样性分析、生态建模、环境研究及机器学习任务等方向。 

该数据集包含 20 万条水生动物观测记录，覆盖 100 种以上水生物种，涉及全球主要水域生态环境，包括珊瑚礁、热带河流、北极海域以及深达 7000 米的深海区域。每条记录对应一次独立的生物观测，包含完整的林奈分类信息（界至种）、生态特征、物理测量、地理坐标、环境读数以及观测元数据等内容。

在线运行：https://go.hyper.ai/vwLoS

Global Earthquake Events-M4.5+(1900-Present) 是一个面向地震活动分析与地理空间研究构建的全球地震事件数据集，旨在帮助研究人员分析长期地震活动的频率、分布与震级变化，广泛应用于地震灾害评估、城市规划、地质研究及灾害预警等研究方向。该数据集包含 230,608 条地震记录，涵盖 1900-2026 年全球震级 4.5 级及以上的地震事件。