TDC HTS Group：高通量筛选数据建模任务

TDC HTS Benchmark Group 提供来自真实高通量筛选实验的活性预测任务。它的价值在于让你面对真实筛选数据的两个核心困难：极端类别不平衡，以及大量非特异性的假阳性。这两点在整洁的文献数据集上体验不到，却是实际项目的日常。

主要任务

数据集	内容	规模	阳性率
SARSCoV2_Vitro_Touret	SARS-CoV-2 体外抗病毒活性	约 1,480	较低
SARSCoV2_3CLPro_Diamond	3CL 蛋白酶抑制（片段筛选）	约 880	低
HIV	抗 HIV 复制活性	约 41,000	约 3.5%
Butkiewicz 系列	多个 PubChem HTS 靶点	数十万级	0.1%～1%

Butkiewicz 系列最接近真实 HTS 场景：数十万化合物、千分之几的阳性率、来自实际的筛选项目。

不平衡数据的正确处理

from tdc.single_pred import HTS
from sklearn.metrics import average_precision_score, roc_auc_score

data = HTS(name="HIV")
split = data.get_split(method="scaffold", seed=42)
y_true = split["test"]["Y"].values

# 关键：极端不平衡下，两个指标给出完全不同的图景
print("ROC-AUC ", roc_auc_score(y_true, y_score))        # 可能看着很好
print("PR-AUC  ", average_precision_score(y_true, y_score))  # 通常低得多
print("随机基线 PR-AUC =", y_true.mean())                 # 阳性率即随机水平

• PR-AUC 是主指标：阳性率 0.5% 时，随机模型的 PR-AUC 就是 0.005。你的模型做到 0.05 意味着比随机好 10 倍——这是有意义的结果，而对应的 ROC-AUC 可能是看着漂亮的 0.85。
• 报告富集因子：EF@1%、EF@0.1% 直接对应「筛前 1% 能捞到多少活性」，是实验室最关心的数字。
• 谨慎使用重采样：过采样少数类或欠采样多数类会扭曲概率校准。若要做，评测时必须在原始分布上评估。
• 类别权重优于重采样：多数框架支持 class_weight="balanced" 或 scale_pos_weight，副作用更小。

假阳性：HTS 数据的固有噪声

真实 HTS 的阳性中，相当比例不是真正的特异性结合，而是各种干扰机制造成的：

• 聚集体形成：化合物在水中形成胶体聚集体，非特异性地吸附并抑制酶。这是 HTS 假阳性最主要的来源之一。
• 光学干扰：荧光或吸光干扰读数。
• 化学反应性：迈克尔受体、烷化剂等与蛋白共价反应。
• 频繁命中者：在多个不相关 assay 中都显示活性的化合物，几乎肯定是干扰。

# 建模前的必要过滤
from rdkit import Chem
from rdkit.Chem import FilterCatalog

params = FilterCatalog.FilterCatalogParams()
params.AddCatalog(FilterCatalog.FilterCatalogParams.FilterCatalogs.PAINS)
params.AddCatalog(FilterCatalog.FilterCatalogParams.FilterCatalogs.BRENK)
catalog = FilterCatalog.FilterCatalog(params)

def is_clean(smi):
    m = Chem.MolFromSmiles(smi)
    return m is not None and not catalog.HasMatch(m)

# 训练前过滤掉 PAINS 与反应性化合物
df_clean = df[df["Drug"].apply(is_clean)]

不过滤就训练，模型会学到「什么化合物容易造成假阳性」而非「什么化合物真正有活性」——这是 HTS 建模最常见的陷阱。

实际价值

• 练习真实场景的建模纪律：不平衡处理、指标选择、假阳性过滤，这三件事在整洁数据集上学不到。
• 迭代筛选的模拟：可以用它模拟「先筛一小部分、训模型、再筛模型推荐的部分」这种主动学习流程，评估能省多少实验量。
• 预期管理：见识到真实 HTS 数据上模型能做到什么水平，有助于对虚拟筛选形成合理预期。

延伸资源

• 工具箱：173《TDC》；真实筛选基准：242《LIT-PCBA》；
• HTS 数据来源：227《PubChem》；
• PAINS 与过滤概念见「分子表示」模块。