pytdc

PyTDC（Therapeutics Data Commons）

概述

PyTDC 是一个开放科学平台，提供适用于 AI 的药物发现与开发数据集和基准。你可以访问经过整理、涵盖整个治疗药物研发流程的数据集，这些数据集采用标准化的评估指标和有意义的数据划分，并分为三类：单实例预测（分子／蛋白质属性）、多实例预测（药物－靶点相互作用、药物－药物相互作用，即 DDI）和生成（分子生成、逆合成）。

何时使用此技能

在以下情况下使用此技能：

• 使用药物发现或治疗药物相关的机器学习数据集
• 在标准化的药物研发任务上对机器学习模型进行基准测试
• 预测分子属性（ADME、毒性、生物活性）
• 预测药物－靶点或药物－药物相互作用
• 生成具有所需属性的新分子
• 访问采用恰当训练／测试划分（骨架划分、冷启动划分）的整理后数据集
• 使用分子评估器优化属性

安装与设置

使用 pip 安装 PyTDC：

uv pip install PyTDC

升级到最新版本：

uv pip install PyTDC --upgrade

核心依赖项（自动安装）：

• numpy、pandas、tqdm、seaborn、scikit_learn、fuzzywuzzy

根据特定功能的需要，还会自动安装其他软件包。

快速开始

访问任何 TDC 数据集的基本模式如下：

from tdc.<problem> import <Task>
data = <Task>(name='<Dataset>')
split = data.get_split(method='scaffold', seed=1, frac=[0.7, 0.1, 0.2])
df = data.get_data(format='df')

其中：

• <problem>：single_pred、multi_pred 或 generation 之一
• <Task>：特定任务类别（例如 ADME、DTI、MolGen）
• <Dataset>：该任务中的数据集名称

示例——加载 ADME 数据：

from tdc.single_pred import ADME
data = ADME(name='Caco2_Wang')
split = data.get_split(method='scaffold')
# Returns dict with 'train', 'valid', 'test' DataFrames

单实例预测任务

单实例预测是指预测单个生物医学实体（分子、蛋白质等）的属性。

可用任务类别

1. ADME（吸收、分布、代谢、排泄）

预测药物分子的药代动力学属性。

from tdc.single_pred import ADME
data = ADME(name='Caco2_Wang')  # Intestinal permeability
# Other datasets: HIA_Hou, Bioavailability_Ma, Lipophilicity_AstraZeneca, etc.

常见 ADME 数据集：

• Caco2——肠道渗透性
• HIA——人体肠道吸收
• Bioavailability——口服生物利用度
• Lipophilicity——辛醇－水分配系数
• Solubility——水溶性
• BBB——血脑屏障穿透能力
• CYP——细胞色素 P450 代谢

2. 毒性（Tox）

预测化合物的毒性和不良反应。

from tdc.single_pred import Tox
data = Tox(name='hERG')  # Cardiotoxicity
# Other datasets: AMES, DILI, Carcinogens_Lagunin, etc.

常见毒性数据集：

• hERG——心脏毒性
• AMES——致突变性
• DILI——药物性肝损伤
• Carcinogens——致癌性
• ClinTox——临床试验毒性

3. HTS（高通量筛选）

根据筛选数据预测生物活性。

from tdc.single_pred import HTS
data = HTS(name='SARSCoV2_Vitro_Touret')

4. QM（量子力学）

分子的量子力学属性。

from tdc.single_pred import QM
data = QM(name='QM7')

5. 其他单实例预测任务

• Yields：化学反应产率预测
• Epitope：生物制剂的表位预测
• Develop：开发阶段预测
• CRISPROutcome：基因编辑结果预测

数据格式

单实例预测数据集通常返回包含以下列的 DataFrame：

• Drug_ID 或 Compound_ID：唯一标识符
• Drug 或 X：SMILES 字符串或分子表示
• Y：目标标签（连续值或二元值）

多实例预测任务

多实例预测是指预测多个生物医学实体之间相互作用的属性。

可用任务类别

1. DTI（药物－靶点相互作用）

预测药物与蛋白质靶点之间的结合亲和力。

from tdc.multi_pred import DTI
data = DTI(name='BindingDB_Kd')
split = data.get_split()

可用数据集：

• BindingDB_Kd——解离常数（52,284 对）
• BindingDB_IC50——半数抑制浓度（991,486 对）
• BindingDB_Ki——抑制常数（375,032 对）
• DAVIS、KIBA——激酶结合数据集

数据格式： Drug_ID、Target_ID、Drug（SMILES）、Target（序列）、Y（结合亲和力）

2. DDI（药物－药物相互作用）

预测药物对之间的相互作用。

from tdc.multi_pred import DDI
data = DDI(name='DrugBank')
split = data.get_split()

这是一个多分类任务，用于预测相互作用类型。数据集包含 191,808 对 DDI 配对，涉及 1,706 种药物。

3. PPI（蛋白质-蛋白质相互作用）

预测蛋白质-蛋白质相互作用。

from tdc.multi_pred import PPI
data = PPI(name='HuRI')

4. 其他多项预测任务

• GDA：基因-疾病关联
• DrugRes：药物耐药性预测
• DrugSyn：药物协同作用预测
• PeptideMHC：肽-MHC 结合
• AntibodyAff：抗体亲和力预测
• MTI：miRNA-靶标相互作用
• Catalyst：催化剂预测
• TrialOutcome：临床试验结果预测

生成任务

生成任务涉及创建具有所需属性的新型生物医学实体。

1. 分子生成（MolGen）

生成多样、新颖且具有理想化学性质的分子。

from tdc.generation import MolGen
data = MolGen(name='ChEMBL_V29')
split = data.get_split()

结合预言机使用，以优化特定属性：

from tdc import Oracle
oracle = Oracle(name='GSK3B')
score = oracle('CC(C)Cc1ccc(cc1)C(C)C(O)=O')  # Evaluate SMILES

所有可用的预言机函数请参阅 references/oracles.md。

2. 逆合成（RetroSyn）

预测合成目标分子所需的反应物。

from tdc.generation import RetroSyn
data = RetroSyn(name='USPTO')
split = data.get_split()

数据集包含来自 USPTO 数据库的 1,939,253 个反应。

3. 成对分子生成

生成成对分子（例如，前药-药物对）。

from tdc.generation import PairMolGen
data = PairMolGen(name='Prodrug')

有关预言机的详细文档和分子生成工作流，请参阅 references/oracles.md 和 scripts/molecular_generation.py。

基准组

基准组提供经过整理的相关数据集集合，用于系统地评估模型。

ADMET 基准组

from tdc.benchmark_group import admet_group
group = admet_group(path='data/')

# Get benchmark datasets
benchmark = group.get('Caco2_Wang')
predictions = {}

for seed in [1, 2, 3, 4, 5]:
    train, valid = benchmark['train'], benchmark['valid']
    # Train model here
    predictions[seed] = model.predict(benchmark['test'])

# Evaluate with required 5 seeds
results = group.evaluate(predictions)

ADMET 组包含 22 个数据集，涵盖吸收、分布、代谢、排泄和毒性。

其他基准组

可用的基准组包括以下领域的数据集：

• ADMET 属性
• 药物-靶标相互作用
• 药物组合预测
• 以及更多专业治疗任务

有关基准评估工作流，请参阅 scripts/benchmark_evaluation.py。

数据函数

TDC 提供全面的数据处理工具，分为四类。

1. 数据集划分

通过各种策略获取训练集、验证集和测试集分区：

# Scaffold split (default for most tasks)
split = data.get_split(method='scaffold', seed=1, frac=[0.7, 0.1, 0.2])

# Random split
split = data.get_split(method='random', seed=42, frac=[0.8, 0.1, 0.1])

# Cold split (for DTI/DDI tasks)
split = data.get_split(method='cold_drug', seed=1)  # Unseen drugs in test
split = data.get_split(method='cold_target', seed=1)  # Unseen targets in test

可用的划分策略：

• random：随机打乱
• scaffold：基于骨架（用于化学多样性）
• cold_drug、cold_target、cold_drug_target：用于 DTI 任务
• temporal：用于时间型数据集的基于时间的划分

2. 模型评估

使用标准化指标进行评估：

from tdc import Evaluator

# For binary classification
evaluator = Evaluator(name='ROC-AUC')
score = evaluator(y_true, y_pred)

# For regression
evaluator = Evaluator(name='RMSE')
score = evaluator(y_true, y_pred)

**可用指标：**ROC-AUC、PR-AUC、F1、Accuracy、RMSE、MAE、R2、Spearman、Pearson 等。

3. 数据处理

TDC 提供 11 种关键处理工具：

from tdc.chem_utils import MolConvert

# Molecule format conversion
converter = MolConvert(src='SMILES', dst='PyG')
pyg_graph = converter('CC(C)Cc1ccc(cc1)C(C)C(O)=O')

处理工具包括：

• 分子格式转换（SMILES、SELFIES、PyG、DGL、ECFP 等）
• 分子筛选器（PAINS、类药性）
• 标签二值化和单位转换
• 数据平衡（过采样/欠采样）
• 成对数据的负采样
• 图转换
• 实体检索（CID 转 SMILES、UniProt 转序列）

有关工具的完整文档，请参阅 references/utilities.md。

4. 分子生成预言机

TDC 提供 17 种以上用于分子优化的预言机函数：

from tdc import Oracle

# Single oracle
oracle = Oracle(name='DRD2')
score = oracle('CC(C)Cc1ccc(cc1)C(C)C(O)=O')

# Multiple oracles
oracle = Oracle(name='JNK3')
scores = oracle(['SMILES1', 'SMILES2', 'SMILES3'])

有关完整的预言机文档，请参阅 references/oracles.md。

高级功能

获取可用数据集

from tdc.utils import retrieve_dataset_names

# Get all ADME datasets
adme_datasets = retrieve_dataset_names('ADME')

# Get all DTI datasets
dti_datasets = retrieve_dataset_names('DTI')

标签转换

# Get label mapping
label_map = data.get_label_map(name='DrugBank')

# Convert labels
from tdc.chem_utils import label_transform
transformed = label_transform(y, from_unit='nM', to_unit='p')

数据库查询

from tdc.utils import cid2smiles, uniprot2seq

# Convert PubChem CID to SMILES
smiles = cid2smiles(2244)

# Convert UniProt ID to amino acid sequence
sequence = uniprot2seq('P12345')

常见工作流

工作流 1：训练单个预测模型

完整示例请参阅 scripts/load_and_split_data.py：

from tdc.single_pred import ADME
from tdc import Evaluator

# Load data
data = ADME(name='Caco2_Wang')
split = data.get_split(method='scaffold', seed=42)

train, valid, test = split['train'], split['valid'], split['test']

# Train model (user implements)
# model.fit(train['Drug'], train['Y'])

# Evaluate
evaluator = Evaluator(name='MAE')
# score = evaluator(test['Y'], predictions)

工作流 2：基准评估

有关包含多个随机种子和规范评估流程的完整示例，请参阅 scripts/benchmark_evaluation.py。

工作流 3：使用预言机进行分子生成

有关使用预言机函数进行目标导向生成的示例，请参阅 scripts/molecular_generation.py。

资源

此技能包含适用于常见 TDC 工作流的内置资源：

scripts/

• load_and_split_data.py：使用各种策略加载和拆分 TDC 数据集的模板
• benchmark_evaluation.py：按照规范的 5 个随机种子协议运行基准组评估的模板
• molecular_generation.py：使用 oracle 函数生成分子的模板

references/

• datasets.md：按任务类型组织的所有可用数据集的完整目录
• oracles.md：17 种以上分子生成 oracle 的完整文档
• utilities.md：数据处理、拆分和评估工具的详细指南

其他资源

• 官方网站：https://tdcommons.ai
• 文档：https://tdc.readthedocs.io
• GitHub：https://github.com/mims-harvard/TDC
• 论文：NeurIPS 2021 - “Therapeutics Data Commons：用于药物发现与开发的机器学习数据集和任务”