DeepChem 教程体系入门：适合新手的第一个 AI 制药工具箱

DeepChem 的教程体系是入门 AI 制药最完整的免费资源之一：从化学信息学基础到深度学习模型，有几十个可直接运行的 Notebook。它的价值在于「能立刻跑起来」，而这对入门至关重要。

教程体系的结构

建议的学习路径

# 【第 1 周】：跑通基础流程
#
#   1) 环境安装
#      conda create -n deepchem python=3.10
#      conda activate deepchem
#      pip install deepchem[torch]
#      → 【依赖较重，建议独立环境】
#
#   2) 加载一个数据集，训练一个模型，看指标
#      目标：理解 Dataset → Featurizer → Model → Metric 的流程
#
#   3) 换不同的 featurizer 试试
#      ECFP / GraphConv / Mol2Vec
#      → 【感受表示方式对结果的影响】

import deepchem as dc

# 【关键：用 scaffold 划分而非 random】
tasks, datasets, transformers = dc.molnet.load_delaney(
    featurizer="ECFP", splitter="scaffold")
train, valid, test = datasets

from sklearn.ensemble import RandomForestRegressor
model = dc.models.SklearnModel(
    RandomForestRegressor(n_estimators=500, n_jobs=-1))
model.fit(train)

metric = dc.metrics.Metric(dc.metrics.rms_score)
print("训练:", model.evaluate(train, [metric], transformers))
print("测试:", model.evaluate(test, [metric], transformers))
# 【训练与测试的差距，就是过拟合的程度】

# 【第 2 周】：理解评测
#
#   4) 【对比 random 与 scaffold 划分的结果】
#      → 这个对比是整个学习中最有价值的一课
#
#   5) 多个随机种子跑同一个配置
#      → 感受结果的方差有多大
#
#   6) 用自己的 CSV 数据跑一遍

# 【第 3 周】：深度学习模型
#
#   7) 试 GraphConvModel、AttentiveFP
#   8) 【与随机森林基线比较】
#      → 常常发现深度模型没有明显优势
#      → 这是重要的认识，不是失败

# 【第 4 周】：扩展
#
#   9) 多任务学习
#   10) 迁移学习 / 预训练模型
#   11) 结合自己关心的实际问题

最重要的一课：划分方式的影响

# 【建议在学习早期就做这个实验】

import deepchem as dc
import numpy as np
from sklearn.ensemble import RandomForestRegressor

results = {}
for splitter in ["random", "scaffold"]:
    scores = []
    for seed in range(5):
        tasks, datasets, transformers = dc.molnet.load_delaney(
            featurizer="ECFP", splitter=splitter, reload=False)
        train, valid, test = datasets
        model = dc.models.SklearnModel(
            RandomForestRegressor(n_estimators=300, random_state=seed, n_jobs=-1))
        model.fit(train)
        metric = dc.metrics.Metric(dc.metrics.pearson_r2_score)
        scores.append(model.evaluate(test, [metric], transformers)["pearson_r2_score"])
    results[splitter] = (np.mean(scores), np.std(scores))

for k, (m, s) in results.items():
    print(f"{k:10s} R² = {m:.3f} ± {s:.3f}")

# 典型输出：
#   random     R² = 0.88 ± 0.02
#   scaffold   R² = 0.62 ± 0.05
#
# 【这个差距就是「记忆」与「泛化」的差别】
# → 理解了这一点，你就超过了很多发表的论文（见 169）

需要注意的地方

• 依赖较重且易冲突：DGL、PyTorch、TensorFlow、RDKit 的版本组合有时难调和。用独立 conda 环境并锁定版本；
• 教程可能与最新版本不同步：API 有变化，老 Notebook 可能报错。遇到问题先查 GitHub 的 issue；
• MoleculeNet 数据集的局限：数据集小、标签质量参差（见 132《MoleculeNet 论文精读》）——把它当作学习工具而非评价方法优劣的依据；
• 不是生产级平台：DeepChem 定位是研究工具库，缺少数据治理、模型管理、系统集成能力（见 134《DeepChem 平台解读》）；
• 某些模型实现的成熟度不一：用之前看看该模型的更新时间与测试情况。

学完之后该往哪走

给不同背景学习者的建议

• 有 ML 背景、缺化学：重点看 featurizer 部分，理解不同分子表示的含义；同时补化学信息学基础（见 031《SMILES 入门》、035《分子指纹是什么》）；
• 有化学背景、缺 ML：重点看划分器与评测部分——这是最容易出错也最重要的；模型部分可以先当黑盒；
• 共同建议：不要满足于「跑通了教程」。真正的学习发生在你用自己的数据、遇到教程里没有的问题时；
• 一个练习：从 ChEMBL 下载一个靶点的数据，完整走一遍清洗、建模、评测——你会发现真实数据的问题比教程多得多，而这正是要学的。

延伸资源

• DeepChem 平台解读：134《DeepChem 平台解读》；MoleculeNet：132《MoleculeNet 论文精读》；
• TDC 教程：005《Therapeutics Data Commons 教程》；TeachOpenCADD：012《TeachOpenCADD 教程》；Chemprop：131《Chemprop / D-MPNN 论文精读》。