MoleculeNet：分子性质预测标准数据集

MoleculeNet（Wu et al., Chemical Science 2018）是分子机器学习最早被广泛采用的基准集合。论文里出现的 ESOL、BBBP、Tox21、HIV、QM9 等名字都来自这里。它的历史贡献是让不同工作第一次可以相互比较；今天使用它，则需要清楚它的边界。

数据集速查

数据集	预测目标	规模	类型	注意
ESOL	水溶解度 logS	1,128	回归	入门首选，任务清晰
FreeSolv	水合自由能	642	回归	数据少，波动大
Lipophilicity	logD_7.4	4,200	回归	来自 ChEMBL，质量较好
QM9	12 个量子化学性质	133,885	回归	DFT 计算值，非实验值
BBBP	血脑屏障通透	2,050	分类	已知存在标注错误
BACE	BACE-1 抑制	1,513	分类+回归	单一靶点，系列集中
Tox21	12 个毒性终点	7,831	多任务分类	标签稀疏
ToxCast	600+ 毒理终点	8,575	多任务分类	极度稀疏
ClinTox	临床毒性	1,478	多任务分类	标签定义有争议
SIDER	27 类副作用	1,427	多任务分类	标签噪声大
HIV	抗 HIV 活性	41,127	分类	阳性率约 3.5%
MUV	17 个筛选任务	93,087	多任务分类	专为减少偏倚设计，很难

正确用法

import deepchem as dc
import numpy as np

scores = []
for seed in range(5):                       # 多种子是必需的
    tasks, (tr, va, te), transformers = dc.molnet.load_bbbp(
        featurizer="ECFP", splitter="scaffold", seed=seed)   # 骨架划分
    model = dc.models.SklearnModel(RandomForestClassifier(n_estimators=500))
    model.fit(tr)
    metric = dc.metrics.Metric(dc.metrics.roc_auc_score)
    scores.append(model.evaluate(te, [metric], transformers)["roc_auc_score"])

print(f"ROC-AUC = {np.mean(scores):.3f} ± {np.std(scores):.3f}")

必须用 scaffold 划分：随机划分下几乎所有方法都能刷出高分，区分度极低。
必须多种子：BBBP、BACE 这类小数据集，不同种子间 AUC 波动常达 0.02～0.05，单次跑分的排名基本是噪声。
不平衡数据看 PR-AUC：HIV 阳性率仅 3.5%，只看 ROC-AUC 会过于乐观。
回归任务记得传 transformers：否则 RMSE 在标准化尺度上，无法与文献比较。

已知的质量问题

BBBP 标注错误：多项独立分析发现 BBBP 存在明显的标签错误和重复分子。用它比较模型时，微小的性能差异没有意义。
ClinTox 定义争议：「因毒性而临床失败」的标签定义不够清晰，部分标注存疑。
规模过小：多数数据集只有一两千个分子，模型间差异常淹没在噪声中。刷这些榜的边际价值已经很低。
与真实项目分布脱节：公开集是跨项目的杂合分子，实际项目面对的是同一系列的类似物，任务性质完全不同。公开集上的模型排名不能直接迁移。
QM9 是计算值：标签来自 DFT 计算而非实验测量，学得再准也只是在拟合另一个计算方法。

今天的替代选择

TDC Benchmark Group（见 244《TDC ADMET Group》）：划分与指标更规范，覆盖更全，有排行榜。
Polaris：新一代基准平台，强调数据质量与评测严谨性。
自家内部数据：最终选型必须在自家数据上验证，这是任何公开基准都替代不了的。

上手提示

它的价值是「让实验可比」，不是「衡量真实能力」；
scaffold 划分 + 多种子均值 ± 标准差，两者缺一不可；
BBBP 等数据集存在标签质量问题，别过度解读小幅提升；
更严格的评测转向 TDC Benchmark Group，最终选型看自家数据。

延伸资源

加载工具：172《DeepChem》、220《DeepChem MolNet Loaders》；更规范的基准：244《TDC ADMET Group》、173《TDC》；
评测陷阱：169《Benchmark 陷阱》；ADMET 概念见「成药性」模块。