TDC：药物发现数据集和 Benchmark 工具箱

TDC（Therapeutics Data Commons） 由哈佛 Marinka Zitnik 组发起，把药物研发全流程的机器学习任务整理成统一接口：一行代码拿到数据、划分和评测指标。它解决的是「每篇论文各用各的数据、结果没法比」这个长期痛点。

安装与第一次调用

pip install PyTDC

from tdc.single_pred import ADME
data = ADME(name="Caco2_Wang")
split = data.get_split(method="scaffold", seed=42)
print(split["train"].shape, split["valid"].shape, split["test"].shape)
print(split["train"].head())      # 列：Drug_ID / Drug(SMILES) / Y

数据按需下载并缓存到本地，返回的是 pandas DataFrame，可以直接接你自己的建模代码，不必接受它的模型假设。

三层任务体系

另有 Benchmark Group 把一组任务打包成带固定划分与排行榜的评测集，如 admet_group（22 个 ADMET 终点）、docking_group、drugcombo_group。做方法研究要报可比结果，就该用 Benchmark Group 而不是自己随便切。

from tdc.benchmark_group import admet_group
group = admet_group(path="data/")
predictions = {}
for benchmark in group:
    name = benchmark["name"]
    train_val, test = benchmark["train_val"], benchmark["test"]
    # ...在 train_val 上做你自己的 5 折，再预测 test
    predictions[name] = your_model_predict(test["Drug"])
results = group.evaluate(predictions)      # 每个终点返回官方指标

划分方式：这是 TDC 最该被用好的功能

• random：只适合 sanity check，几乎必然高估。
• scaffold：按 Bemis-Murcko 骨架分组，逼近「遇到新骨架」的真实场景，是 ADMET 类任务的默认选择。
• cold-start：多实体任务专用，保证测试集里的药物或靶点在训练集中完全没出现过。DTI 模型在随机划分下的漂亮数字，换成 cold-start 常常掉一大截，这才是它面对新靶点时的真实能力。
• temporal：按时间切分，最接近前瞻性预测的实际处境。

用它的边界

• TDC 数据来自公开文献与数据库，测定条件不统一：同一个终点里可能混着不同实验室、不同 assay 的数值，噪声天然存在，指标天花板不是 1.0。
• 不少 ADMET 数据集只有几百到几千个分子，模型间的小幅差异常常在随机波动之内。报结果必须给多种子的均值与标准差，单次跑分没有说服力。
• 公开集的化学空间与你自家项目的系列化合物差别很大。TDC 上的排名只说明方法在该分布上的表现，不能直接推断在内部数据上的优劣——真要选型，得拿内部数据重跑。

延伸资源

• 教程与导航：005《Therapeutics Data Commons 教程》、009《Harvard TDC 资源导航》；
• 数据划分与评测陷阱：169《Benchmark 陷阱》；ADMET 任务背景见「成药性」模块；
• 配套框架：172《DeepChem》、174《Chemprop》。