TDC 论文精读：把 AI 制药任务放回研发链条里

TDC（Therapeutics Data Commons，Huang 等，2021）的核心设计理念是：不按机器学习任务类型组织数据，而按药物研发的实际阶段组织。这个看似简单的转变，让基准与真实决策的距离大大缩短。

三层组织结构

层级	问题	示例任务
单实例预测	给定一个分子，预测其性质	ADMET、毒性、溶解度
多实例预测	给定分子对/分子-蛋白，预测关系	DTI、药物相互作用、协同
生成	生成满足条件的新分子	分子设计、逆合成、抗体设计

在此之上，任务还按研发阶段标注：靶点发现 → 苗头筛选 → 先导优化 → 临床前 → 临床。这个标注让使用者能问「我在这个阶段需要什么模型」，而非「我有什么数据可以拿来刷分」。

基本使用

pip install PyTDC

# ---- ADMET 任务 ----
from tdc.single_pred import ADME

data = ADME(name="Caco2_Wang")
split = data.get_split(method="scaffold", seed=42,
                       frac=[0.7, 0.1, 0.2])
train, valid, test = split["train"], split["valid"], split["test"]
print(train.head())
print(f"训练 {len(train)}, 测试 {len(test)}")

# 查看所有可用的 ADME 数据集
from tdc.utils import retrieve_dataset_names
print(retrieve_dataset_names("ADME"))

# ---- 毒性任务 ----
from tdc.single_pred import Tox
data = Tox(name="hERG")

# ---- DTI 任务 ----
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")              # 转成 pKd
split = data.get_split(method="cold_split",
                       column_name="Drug")       # 【冷启动划分】

# ---- 生成任务 ----
from tdc.generation import MolGen
data = MolGen(name="ZINC")

# ---- Benchmark 组（标准化评测）----
from tdc.benchmark_group import admet_group

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

for seed in [1, 2, 3, 4, 5]:      # 【必须跑多个种子】
    predictions = {}
    for benchmark in group:
        name = benchmark["name"]
        train_val, test = benchmark["train_val"], benchmark["test"]
        train, valid = group.get_train_valid_split(
            benchmark=name, split_type="default", seed=seed)

        # ... 训练你的模型 ...
        y_pred = my_model.predict(test["Drug"])
        predictions[name] = y_pred
    predictions_list.append(predictions)

results = group.evaluate_many(predictions_list)
# 返回每个任务的均值与标准差 —— 这是正确的报告方式
print(results)

划分方式：TDC 的重要设计

# TDC 提供多种划分，选对了才有意义
#
# random
#   随机划分 —— 【几乎总是会高估性能】
#   只用于快速调试
#
# scaffold
#   按 Bemis-Murcko 骨架划分
#   → 测试模型对新骨架的泛化（见 167）
#
# cold_split
#   【多实例任务专用】
#   cold drug:    测试集的药物在训练集中完全没出现
#   cold protein: 测试集的蛋白在训练集中完全没出现
#   cold both:    两者都没出现（最严格）
#
#   → 这是 DTI 任务【最重要的划分方式】
#   → 很多 DTI 论文用随机划分，
#     结果实际上是「记住了这个药物的平均活性」（见 139）
#
# temporal / time
#   按时间划分，模拟真实的部署场景
#   → 【最接近生产环境】
#
# combination
#   组合划分
#
# 选择原则：
#   问「模型在生产中会遇到什么样的新数据？」
#   → 新骨架 → scaffold
#   → 新靶点 → cold protein
#   → 未来的数据 → temporal

相对 MoleculeNet 的改进

	MoleculeNet	TDC
组织方式	按 ML 任务类型	按研发阶段
任务数	17 个数据集	数十个任务、上百个数据集
划分	随机/骨架	+ 冷启动、时间划分
多实例任务	少	丰富（DTI、DDI、协同）
生成任务	无	有（含逆合成、抗体）
评测规范	较松	Benchmark Group 强制多种子
持续维护	较少更新	活跃

TDC 也有的局限

• 数据质量仍取决于原始来源：TDC 是聚合平台，它整理了数据但无法修复原始数据中的测定差异与标注错误；
• 部分数据集仍然很小：几百到一两千个分子的任务不少，统计功效有限；
• 实验体系的异质性：同一个「溶解度」任务的数据可能来自不同实验室、不同方法——模型可能在学习「数据来源」而非化学（见 156《AI ADMET 预测模型》）；
• 刷榜仍然可能：有排行榜的地方就有过拟合排行榜的动机（见 169《Benchmark 陷阱》）；
• 不能替代自家数据的验证：TDC 上表现好的模型，在你的化学空间上不一定好。

正确的使用姿势

# TDC 适合做什么：
#
# 1) 【方法开发阶段的横向比较】
#    在多个任务上比较不同方法，看普遍性
#
# 2) 【建立基线的参考值】
#    知道某类任务的合理性能范围
#    → 如果你在自家数据上做 hERG 预测得到 AUC 0.95，
#      而 TDC 上最好的模型才 0.85，
#      那你的评测很可能有问题
#
# 3) 【快速原型验证】
#    新想法先在标准任务上试，成本低
#
# 4) 【教学与学习】
#    了解领域有哪些任务
#
# TDC 【不适合】做什么：
#
# 1) 证明某个方法在你的项目上更好
#    → 必须用自家数据验证
#
# 2) 直接部署 TDC 上训练的模型
#    → 化学空间不匹配
#
# 3) 作为唯一的评测依据
#    → 排行榜名次与实际价值的关系很弱

# 一个实用的做法：
#   用 TDC 做「健全性检查」——
#   你的流程在标准任务上应该达到接近 SOTA 的水平；
#   如果差很多，说明流程本身有问题（而非数据问题）

延伸资源

• MoleculeNet：132《MoleculeNet 论文精读》；实战：335《用 TDC Benchmark 评估模型》；
• Benchmark 陷阱：169《Benchmark 陷阱》；DTI 模型：157《AI DTI 预测模型》；模型外推性：167《模型外推性》。