DeepChem 平台解读：适合教学和原型，不等于生产级药企平台

DeepChem 是最早、也是最全面的开源分子机器学习库。它的价值毋庸置疑——但把它当作「药企级 AI 平台」是一个常见的误解。理解它的真实定位，能避免不必要的失望。

DeepChem 提供什么

典型用法

pip install deepchem
# 图模型还需要：pip install dgl torch

import deepchem as dc
import numpy as np

# ---- 加载数据 ----
tasks, datasets, transformers = dc.molnet.load_delaney(
    featurizer="GraphConv", splitter="scaffold")
train, valid, test = datasets

# ---- 训练图卷积模型 ----
model = dc.models.GraphConvModel(
    n_tasks=len(tasks),
    mode="regression",
    dropout=0.2,
    batch_size=64,
    learning_rate=0.001,
    model_dir="model/",
)
model.fit(train, nb_epoch=50)

# ---- 评价 ----
metric = dc.metrics.Metric(dc.metrics.pearson_r2_score)
print("训练:", model.evaluate(train, [metric], transformers))
print("验证:", model.evaluate(valid, [metric], transformers))
print("测试:", model.evaluate(test, [metric], transformers))

# ---- 用自己的数据 ----
loader = dc.data.CSVLoader(
    tasks=["activity"],
    feature_field="smiles",
    featurizer=dc.feat.CircularFingerprint(size=2048, radius=2),
)
dataset = loader.create_dataset("my_data.csv")

splitter = dc.splits.ScaffoldSplitter()
train, valid, test = splitter.train_valid_test_split(dataset)

# 随机森林基线（【应该先跑这个】）
from sklearn.ensemble import RandomForestRegressor
sklearn_model = RandomForestRegressor(n_estimators=500, n_jobs=-1)
model = dc.models.SklearnModel(sklearn_model)
model.fit(train)

「不等于生产级平台」是什么意思

# 真实的药企 AI 平台需要的能力，DeepChem 大多不提供：
#
# 1) 【数据治理】
#    - 实验数据的来源追溯与版本管理
#    - 不同测定方法的数据对齐
#    - 数据质量的自动检查与异常标记
#    → DeepChem 假设数据已经干净
#
# 2) 【模型生命周期管理】
#    - 模型版本、训练数据快照、超参数记录
#    - A/B 测试与灰度发布
#    - 模型性能的持续监控与漂移检测
#    → 这些需要 MLOps 基础设施（见 205）
#
# 3) 【与实验系统的集成】
#    - 电子实验记录本（ELN）
#    - 化合物注册系统
#    - 高通量筛选数据管道
#    → 这是药企 IT 的核心，DeepChem 不涉及
#
# 4) 【多方案协作】
#    - 化学家能用的界面
#    - 结果的审阅与批注
#    - 决策记录
#
# 5) 【合规与审计】
#    - 数据访问控制
#    - 计算过程的可追溯性
#    - 法规环境下的验证要求
#
# 6) 【性能与规模】
#    - 十亿级分子的处理
#    - 分布式训练与推理
#    - 缓存与增量计算
#
# DeepChem 的定位是【研究工具库】而非【平台】
# —— 这不是缺陷，而是它的设计目标

实践中的常见问题

• 依赖较重且易冲突：DGL、PyTorch、TensorFlow、RDKit 的版本组合有时难以调和。建议用独立的 conda 环境并锁定版本；
• API 变动：不同版本间接口有变化，老教程可能跑不通；
• 模型实现的成熟度不一：有些模型是完整实现且充分测试的，有些是较早的贡献且维护较少——用之前应看该模型的最近更新与测试覆盖；
• 性能不是首要目标：对大规模数据，专用实现（如 Chemprop 本身、PyTorch Geometric）通常更快；
• 封装的抽象有时碍事：dc.data.Dataset 的抽象在做定制时可能不如直接用 PyTorch 方便。

什么时候用，什么时候不用

务实的项目搭建路线

# 从零搭建一个内部分子性质预测能力，建议路线：
#
# 阶段 1：基线（1~2 周）
#   RDKit 算 ECFP + 描述符
#   LightGBM 训练
#   骨架划分评测
#   → 这个基线常常已经够用
#   → 【不要跳过这一步】
#
# 阶段 2：数据工程（持续）
#   建立数据清洗与标准化流程（见 046）
#   记录数据来源与测定条件
#   建立时间划分的评测集
#   → 【这一步的价值通常高于换模型】
#
# 阶段 3：模型改进（按需）
#   试 Chemprop、预训练模型
#   只有在明确超过基线时才采用
#
# 阶段 4：工程化（有需求时）
#   实验跟踪（MLflow/W&B）
#   模型注册与版本管理
#   推理服务与监控
#   → 见 205
#
# DeepChem 在阶段 1 与 3 有用，
# 但阶段 2 与 4 才是决定项目成败的地方

延伸资源

• MoleculeNet：132《MoleculeNet 论文精读》；TDC：133《TDC 论文精读》；Chemprop：131《Chemprop / D-MPNN 论文精读》；
• MLOps：205《MDAnalysis》；分子标准化：046《分子标准化》。