DeepChem：AI 药物发现开源框架实战价值

DeepChem 是最早成体系的开源分子机器学习框架（MIT 许可，源自斯坦福 Pande 组）。它的价值不在于某个最强模型，而在于把「数据集 → 特征化 → 模型 → 划分与评测」抽象成四个可互换的组件，让你用几十行代码跑通一条完整的分子 ML 流程。

安装

pip install deepchem            # 核心
pip install deepchem[torch]     # 需要 GNN 等深度模型时
python -c "import deepchem as dc; print(dc.__version__)"

DeepChem 同时支持 PyTorch 与 TensorFlow 后端，历史上的模型分散在两边，新项目优先选 PyTorch 系的实现。它依赖 RDKit 做底层化学处理（见 171《RDKit》）。

四件套对象模型

组件	作用	常用实现
`Featurizer`	分子 → 数值表示	`CircularFingerprint`、`MolGraphConvFeaturizer`、`RDKitDescriptors`
`Dataset`	统一存放 X / y / w / ids	`NumpyDataset`、`DiskDataset`
`Splitter`	划分训练/验证/测试	`RandomSplitter`、`ScaffoldSplitter`、`ButinaSplitter`
`Model`	训练与预测	`GraphConvModel`、`AttentiveFPModel`、`SklearnModel`

四者可以自由组合：换特征不用改模型，换划分不用改数据。这种正交设计正是它适合做基线对比的原因。

一段完整流程

import deepchem as dc
import numpy as np

# 1) 加载标准数据集（自动下载 + 特征化 + 划分）
tasks, datasets, transformers = dc.molnet.load_delaney(
    featurizer="GraphConv", splitter="scaffold")
train, valid, test = datasets

# 2) 建模训练
model = dc.models.GraphConvModel(n_tasks=len(tasks), mode="regression")
model.fit(train, nb_epoch=50)

# 3) 评测（注意要反变换回原尺度）
metric = dc.metrics.Metric(dc.metrics.rms_score)
print("valid RMSE", model.evaluate(valid, [metric], transformers))
print("test  RMSE", model.evaluate(test,  [metric], transformers))

这里刻意用了 splitter="scaffold"。随机划分会把同一骨架的类似物同时放进训练和测试集，导致指标虚高——这是分子 ML 最常见的自欺方式，DeepChem 把骨架划分做成一行参数正是为了让你别偷懒。

什么时候用它，什么时候别用

适合：第一次跑通分子 ML 全流程；快速比较「不同特征 × 不同模型 × 不同划分」的组合；教学与内部培训；需要 MoleculeNet 标准数据集做对照实验（见 178《DeepPurpose》）。
不适合：追最新 SOTA 架构——DeepChem 的模型实现更新往往滞后；单任务性质预测上，Chemprop（见 174《Chemprop》）通常是更强也更省心的基线；要深度定制图网络结构时，直接写 PyG（见 176《PyTorch Geometric》）更自由。
现实做法：用 DeepChem 建立第一版可运行基线和评测脚手架，一旦确定要深挖某个任务，再迁到专用工具上。

常见坑

忘了传 transformers：load_* 默认对 y 做了归一化，评测时不传回 transformers，得到的 RMSE 是归一化尺度上的数字，看着好得离谱。
API 跨版本漂移：DeepChem 历史上多次重构，网上教程常跑不通。锁死版本号，并以官方 Examples 仓库（见 180《DeepChem Examples》）为准。
DiskDataset 留下大量缓存：反复实验会在临时目录堆积特征化结果，长期跑批要主动清理。
把 MoleculeNet 成绩当项目预期：公开集上的 RMSE 和你自家数据上的表现没有可比性，数据分布完全不同。

上手提示

DeepChem 的核心资产是「四件套」抽象和标准数据集，不是模型本身；
默认就用 ScaffoldSplitter，随机划分只用于 sanity check；
评测记得传 transformers，否则指标不在原始尺度上；
把它当起步脚手架，深入某个任务后换更专精的工具。

延伸资源

教程与示例：004《DeepChem 教程体系入门》、180《DeepChem Examples》；数据集背景：178《DeepPurpose》；
更强的单任务基线：174《Chemprop》；底层框架：176《PyTorch Geometric》、177《DGL-LifeSci》；
划分与评测陷阱：169《Benchmark 陷阱》。