Therapeutics Data Commons 教程：AI 药物发现数据集怎么系统学习

Therapeutics Data Commons（TDC）把 AI 药物发现的任务按研发阶段组织，而非按机器学习任务类型。这个组织方式让它不只是数据集集合，更是一张「AI 能在药物研发中做什么」的地图。

用 TDC 系统学习的路径

pip install PyTDC

# 【第 1 步】：先看有哪些任务
from tdc.utils import retrieve_benchmark_names, retrieve_dataset_names

print("ADME 数据集:", retrieve_dataset_names("ADME"))
print("Tox 数据集:", retrieve_dataset_names("Tox"))
print("DTI 数据集:", retrieve_dataset_names("DTI"))

# 【浏览这个列表本身就很有价值】：
#   它告诉你「AI 药物发现有哪些具体任务」
#   比读综述更直观

# 【第 2 步】：按研发阶段逐个理解
#
#   靶点发现相关：
#     - 基因-疾病关联
#   苗头发现相关：
#     - HTS 数据、DTI
#   先导优化相关：
#     - 【ADMET 各终点】← 数据最丰富
#     - 活性预测
#   临床前相关：
#     - 毒性（hERG、DILI、Ames）
#   临床相关：
#     - 试验结果预测
#
# 【第 3 步】：每个任务问三个问题
#   □ 这个数据是怎么测的？（实验方法）
#   □ 数据量多少？标签怎么定义？
#   □ 【预测准了能改变什么决策？】

核心实践：划分方式

# 【TDC 最有教学价值的部分】

from tdc.single_pred import ADME

data = ADME(name="Caco2_Wang")

# 三种划分对比
for method in ["random", "scaffold"]:
    split = data.get_split(method=method, seed=42, frac=[0.7, 0.1, 0.2])
    train, test = split["train"], split["test"]
    print(f"{method}: 训练 {len(train)}, 测试 {len(test)}")
    # 训练模型并评测，比较两种划分下的性能差距

# ---- DTI 任务的冷启动划分（最重要）----
from tdc.multi_pred import DTI

data = DTI(name="BindingDB_Kd")
data.harmonize_affinities(mode="max_affinity")   # 处理重复测量
data.convert_to_log(form="binding")              # 转 pKd

# 【三种冷启动】
split_drug = data.get_split(method="cold_split", column_name="Drug")
split_prot = data.get_split(method="cold_split", column_name="Target")
split_both = data.get_split(method="cold_split",
                            column_name=["Drug", "Target"])

# 【练习】：在这三种划分下各训练一个模型，比较性能
#   典型结果：
#     random        Pearson 0.85
#     cold drug     Pearson 0.60
#     cold protein  Pearson 0.35
#     cold both     Pearson 0.25
#   → 【这个梯度告诉你模型真实的泛化能力】
#   → 而论文中常常只报告第一个数字（见 169）

# ---- 时间划分 ----
# 部分数据集支持
split = data.get_split(method="time", ...)
# 【最接近真实部署场景】

Benchmark Group：规范的评测方式

# TDC 提供的 Benchmark Group 强制了正确的评测规范

from tdc.benchmark_group import admet_group

group = admet_group(path="data/")
predictions_list = []

# 【强制多种子】—— 这是它的重要设计
for seed in [1, 2, 3, 4, 5]:
    predictions = {}
    for benchmark in group:
        name = benchmark["name"]
        train_val = benchmark["train_val"]
        test = benchmark["test"]
        train, valid = group.get_train_valid_split(
            benchmark=name, split_type="default", seed=seed)

        # 训练你的模型
        model = train_model(train, valid)
        predictions[name] = model.predict(test["Drug"])
    predictions_list.append(predictions)

results = group.evaluate_many(predictions_list)
# 返回 {任务名: [均值, 标准差]}
for task, (mean, std) in results.items():
    print(f"{task:30s} {mean:.4f} ± {std:.4f}")

# 【为什么强制多种子重要】：
#   很多任务只有几百到一两千个样本
#   → 单次运行的结果不可靠
#   → 【标准差常常大于方法间的差异】
#
# 【学习价值】：
#   跑一遍就能亲眼看到方差有多大
#   → 以后读论文时会自动怀疑没有标准差的数字

值得重点学习的任务

TDC 的局限（学习时要意识到）

• 数据质量取决于原始来源：TDC 做了整理，但无法修复不同实验室、不同测定方法之间的系统差异（见 156《AI ADMET 预测模型》）；
• 部分数据集仍然很小：几百个样本的任务不少，统计功效有限；
• 排行榜的局限：刷榜的动机会导致过拟合排行榜——名次靠前不代表在你的数据上好用；
• 与实际决策的距离：即使某个 ADMET 任务的 RMSE 降低了，也要问「这对项目决策意味着什么」；
• 不能替代自家数据的验证：这是最重要的一条。

把 TDC 用作「健全性检查」

# 【一个实用的用法】
#
# 当你在自家数据上做出一个模型时：
#   把同样的流程跑在 TDC 的对应任务上
#   → 与公开的最好成绩比较
#
# 判读：
#   接近 SOTA → 你的流程本身没问题
#              自家数据上的表现差是数据问题
#   明显落后 → 【你的流程有问题】
#             先修流程再谈数据
#
# 【反向的用法】：
#   如果你在自家数据上的指标
#   【远好于】TDC 上同类任务的最好成绩，
#   那么几乎可以肯定：
#     - 数据划分有泄漏
#     - 或评测方式有问题
#   → 【这是一个很有用的自检】
#
# 例：
#   TDC 上 hERG 分类最好的 AUC 约 0.85
#   如果你在自家数据上做到 0.97，
#   先检查：是不是同一个化合物出现在训练与测试集？

延伸资源

• TDC 论文精读：133《TDC 论文精读》；资源导航：009《Harvard TDC 资源导航》；实战：335《用 TDC Benchmark 评估模型》；
• Benchmark 陷阱：169《Benchmark 陷阱》；模型外推性：167《模型外推性》。