pytdc

PyTDC 药物发现数据集技能

技能概述

PyTDC（Therapeutics Data Commons）是一个专为治疗性机器学习提供AI就绪药物发现数据集和标准化基准测试的开源平台，覆盖从药物吸收代谢（ADME）到毒性预测、药物-靶点相互作用和分子生成的完整治疗管线。

适用场景

1. 药物发现与机器学习研究

当你需要获取经过预处理的、带有标准化评估指标的数据集来训练和测试药物发现AI模型时，PyTDC提供了超过100个 curated 数据集，涵盖单实例预测（分子属性）、多实例预测（药物-靶点/药物-药物相互作用）和生成任务（分子设计、逆合成）三大类别。

2. 模型基准测试与评估

当你需要使用公平、可复现的协议来评估药物发现模型的性能时，PyTDC提供了多个benchmark group（如ADMET组包含22个数据集），支持scaffold split、cold split等专业数据分割策略，并内置ROC-AUC、PR-AUC、RMSE等多种评估指标。

3. 分子生成与优化

当你需要进行目标导向的分子生成或需要评估分子属性时，PyTDC提供了17+个分子oracles（如GSK3B、DRD2、JNK3等靶点），可以计算分子与特定生物靶点的结合亲和力，用于分子属性优化和生成模型评估。

核心功能

1. AI就绪的药物发现数据集

提供覆盖完整治疗管线的curated数据集，包括ADME（吸收/分布/代谢/排泄）、毒性（hERG、AMES、DILI）、药物-靶点相互作用（BindingDB包含50万+结合数据）、药物-药物相互作用、高通量筛选（HTS）、量子力学性质等。所有数据集已预处理，可直接用于机器学习训练，支持多种格式输出（DataFrame、PyG图、DGL图等）。

2. 专业数据分割与基准测试

支持scaffold split（基于分子骨架的化学多样性分割）、cold split（测试集包含未见药物/靶点）、temporal split（时间序列分割）等专业分割策略。提供benchmark group功能，如ADMET group包含22个数据集，支持多种子（5 seeds）评估协议，确保模型评估的公平性和可复现性。

3. 分子生成评估与数据处理工具

内置17+个分子oracles用于评估分子与特定靶点的结合亲和力，支持目标导向的分子生成和优化。提供11个核心数据处理工具，包括分子格式转换（SMILES、PyG、DGL、ECFP等）、分子过滤（PAINS、药物相似性）、标签转换、数据平衡、负采样等功能。

常见问题

PyTDC是什么，和ChEMBL有什么区别？

PyTDC是Therapeutics Data Commons的Python库，它整合了包括ChEMBL在内的多个药物数据库，并进行了统一预处理、添加了标准化评估指标和专业数据分割（如scaffold split）。与原始数据库不同，PyTDC的数据集是"AI就绪"的，可以直接用于机器学习训练，无需额外的清洗和格式转换。

如何安装PyTDC并加载第一个数据集？

使用 uv pip install PyTDC 或 pip install PyTDC 安装。加载数据非常简单：from tdc.single_pred import ADME; data = ADME(name='Caco2_Wang'); split = data.get_split(method='scaffold')。这会返回包含train、valid、test的字典，每个元素都是pandas DataFrame格式。

PyTDC的scaffold split为什么重要？

Scaffold split基于分子骨架结构进行数据分割，确保测试集包含与训练集不同骨架的化合物。这能更好地模拟真实药物发现场景（预测全新化学骨架的化合物性质），避免模型过度学习特定子结构模式，是评估模型泛化能力的gold standard分割策略。

PyTDC数据集可以用于商业用途吗？

可以。PyTDC采用MIT许可证，允许商业用途。但需要注意的是，PyTDC整合的某些原始数据集可能有各自的使用条款，建议在使用前查看具体数据集的引用和授权信息。

如何获取PyTDC中所有可用的数据集列表？

使用 from tdc.utils import retrieve_dataset_names; adme_datasets = retrieve_dataset_names('ADME') 可以获取特定任务（如ADME）的所有数据集名称。也可以查看技能包中的 references/datasets.md 文件，它包含所有数据集的详细目录。