MoleculeNet（Wu 等, Chemical Science 2018）解决的是一个基础问题：分子机器学习论文如果各用各的数据、划分和指标，结果就不可比。它整理了量子化学、物理化学、生物活性和毒性等数据集，并给出标准评测思路。
它的贡献
- 统一任务集合：QM7/QM8/QM9、ESOL、FreeSolv、Lipophilicity、Tox21、HIV 等常被沿用。
- 统一指标：分类多用 ROC-AUC，回归多用 RMSE/MAE，便于方法比较。
- 带出 DeepChem 生态：MoleculeNet 与 DeepChem 结合，使数据加载和基线复现更方便。
今天怎么读
- 它是入门基准，不是药物研发项目的最终验收；很多数据集规模小、标签噪声高。
- 随机划分成绩常常高估新骨架外推，看到论文只报 random split 要打问号。
- 真正做项目时，应补充内部时间切分、同系列留出、外部实验批次验证。
关键要点
- MoleculeNet 让分子 ML 结果开始可比；
- 它的老基准不能直接代表真实药物项目能力；
- 读论文时先看数据集、划分方式和强基线。
延伸资源
- 论文：Wu et al., Chem. Sci. 2018；配套：167《模型外推性》、169《Benchmark 陷阱》。