---

网站 | NeurIPS 2024 AIDrugX 论文 | Nature Chemical Biology 2022 论文 | NeurIPS 2021 论文 | 长篇论文 | Slack 社区 | TDC 邮件列表 | TDC 文档 | 贡献指南

人工智能有望重塑治疗科学。Therapeutics Data Commons 是一项协调一致的倡议，旨在跨治疗方式和发现阶段评估与利用人工智能的能力。它支持人工智能方法的发展，并致力于建立基础，以明确哪些人工智能方法最适合药物研发应用及其原因。

不同学科的研究人员可以将 TDC 应用于多种场景。TDC 中的可被 AI 解决的任务、适合 AI 的数据集以及精心策划的基准测试，为生物化学家和人工智能科学家搭建了交流平台。TDC 促进了算法和科学的进步，加速了机器学习方法的研发、验证及其向生物医学和临床实践的转化。

TDC 是一项开放科学倡议。我们欢迎来自社区的贡献。

TDC 主要报告与出版物

[1] Velez-Arce, Huang, Li, Lin 等人，《细胞中的信号：面向治疗学的多模态与情境化机器学习基础》，NeurIPS AIDrugX，2024年 [论文] [演示文稿]

[2] Huang, Fu, Gao 等人，《治疗科学的人工智能基础》，Nature Chemical Biology，2022年 [论文]

[3] Huang, Fu, Gao 等人，《治疗数据共同体：用于药物发现与开发的机器学习数据集及任务》，NeurIPS 2021 [论文] [海报]

[4] Huang 等人，《在治疗数据共同体中对分子机器学习进行基准测试》，ELLIS ML4Molecules 2021 [论文] [演示文稿]

[5] Huang 等人，《治疗数据共同体：用于药物发现与开发的机器学习数据集及任务》，Baylearn 2021 [演示文稿] [海报]

[6] Huang, Fu, Gao 等人，《治疗数据共同体》，NSF-Harvard 关于未来大流行病药物的研讨会，2020年 [#futuretx20] [演示文稿] [视频]

[7] TDC 用户组聚会，2022年1月 [议程]

[8] Zitnik，《将癌症基因组与表观基因组翻译成语言的机器学习》专题讨论会，AACR 年会 2022，2022年4月

[9] Zitnik，《网络生物学中的少量样本学习》，KDD 生物信息学数据挖掘研讨会主题演讲

[10] Zitnik，《可用于药物发现与开发的可行动机器学习》，布罗德研究所“模型、推理与算法”研讨会，2021年

[11] Zitnik，《用于生物医学数据的图神经网络》，计算生物学中的机器学习，2020年

[12] Zitnik，《利用图神经网络识别 COVID-19 药物再利用机会》，MIT AI Cures，2020年

TDC 的独特优势

• 覆盖广泛的治疗研发领域：TDC 涵盖多样化的学习任务，包括靶点发现、活性筛选、药效、安全性及生产制造等，适用于小分子、抗体和疫苗等多种生物医学产品。
• 即用型数据集：TDC 对外部依赖极少。只需三行代码即可获取任何 TDC 数据集。
• 数据功能：TDC 提供丰富的数据处理工具，包括数据评估器、有意义的数据划分、数据预处理工具以及分子生成预言机等。
• 排行榜：TDC 提供基准测试，便于公平地比较模型，并系统地开发与评估模型。
• 开源倡议：TDC 是一项开源倡议。如果您希望参与其中，请随时与我们联系。

更多 TDC 最新动态请见这里！

安装

使用 pip

要安装 TDC 的核心环境依赖，请使用 pip：

pip install PyTDC

注意：TDC 目前处于测试版阶段。请定期通过以下命令更新本地副本：

pip install PyTDC --upgrade

TDC 的核心数据加载器非常轻量，对外部包的依赖极少：

numpy, pandas, tqdm, scikit-learn, fuzzywuzzy, seaborn

教程

我们提供了多个教程来帮助您快速上手 TDC：

名称	描述
101	介绍 TDC 数据加载器
102	介绍 TDC 数据处理函数
103.1	演示 TDC 小分子数据集
103.2	演示 TDC 生物制剂数据集
104	用 15 行代码生成 21 个 ADME 机器学习预测模型
105	分子生成预言机
106	基准测试提交演示
DGL	在 DGL GNN 用户组会议上展示的演示
U1.1	在首次 TDC 用户组聚会上展示的演示
U1.2	在首次 TDC 用户组聚会上展示的演示
201	TDC-2 资源与多模态单细胞 API
202	TDC-2 资源与 PrimeKG
203	TDC-2 资源与外部 API
204	TDC-2 模型中心
205	TDC-2 分子性质悬崖预测任务

TDC 的设计

TDC 采用独特的三层级分层结构，据我们所知，这是首次系统性地组织用于治疗领域的机器学习工作。我们将 TDC 组织成三个不同的“问题”。对于每个问题，我们提供一系列“学习任务”。最后，针对每个任务，我们提供一系列“数据集”。

在第一层级，经过对大量治疗相关任务的观察，我们归纳并抽象出机器学习可以促进科学进步的三大领域（即问题），分别是单实例预测、多实例预测和生成：

• 单实例预测 single_pred：基于单个生物医学实体预测其属性。
• 多实例预测 multi_pred：基于多个生物医学实体预测其属性。
• 生成 generation：生成新的理想生物医学实体。

TDC 结构的第二层级是学习任务。这些任务的改进可以带来众多应用，包括识别个性化联合疗法、设计新型抗体、改善疾病诊断以及寻找治疗新发疾病的药物等。

最后，在 TDC 的第三层级，每个任务都由多个数据集具体化。对于每个数据集，我们提供训练集、验证集和测试集的多种划分方式，以模拟实际生产及临床应用中所需的理解与泛化能力（例如，模型能否泛化到完全未见过的化合物，或精确区分患者对多药联合治疗的反应）。

TDC 数据加载器

TDC 提供了一系列直观、高层次的 API 工作流，无论初学者还是专家都可以使用 Python 构建机器学习模型。基于 TDC 中模块化的“问题 — 学习任务 — 数据集”结构（见上文），我们提供了一个三层级 API 来访问任意学习任务和数据集。这种分层式 API 设计使得我们可以轻松地添加新的任务和数据集。

举个具体的例子，要获取单实例预测问题中 ADME 治疗学习任务下的 HIA 数据集：

from tdc.single_pred import ADME
data = ADME(name = 'HIA_Hou')
# 使用支架分割方法将数据划分为训练/验证/测试集
split = data.get_split(method = 'scaffold')
# 获取各种格式的完整数据
data.get_data(format = 'df')

您可以按如下方式查看属于某个任务的所有数据集：

from tdc.utils import retrieve_dataset_names
retrieve_dataset_names('ADME')

更多治疗任务和数据集，请访问 TDC 官网！

TDC 数据处理函数

数据集划分

要获取训练集、验证集和测试集的划分，您可以输入以下代码：

data = X(name = Y)
data.get_split(seed = 42)

# {'train': df_train, 'val': df_val, 'test': df_test}

你可以通过指定函数的拆分方法、随机种子和拆分比例来使用该功能，例如：data.get_split(method = 'scaffold', seed = 1, frac = [0.7, 0.1, 0.2])。详细信息请参阅数据拆分页面。

模型评估策略

我们为 TDC 中的各项任务提供了多种评估指标，具体说明请参见网站上的模型评估页面。例如，若要使用 ROC-AUC 指标，可以这样操作：

from tdc import Evaluator
evaluator = Evaluator(name = 'ROC-AUC')
score = evaluator(y_true, y_pred)

数据处理

TDC 提供了丰富的数据处理功能，包括标签转换、数据平衡、将数据配对为 PyG/DGL 图结构、负采样、数据库查询等。有关这些功能的具体用法，请参阅 TDC 官网上的数据处理页面。

分子生成预言机

对于分子生成任务，我们提供了 10 多种预言机，分别用于目标导向和分布学习。每种预言机的详细用法请参阅网站上的预言机页面。例如，我们想要调用 GSK3Beta 预言机：

from tdc import Oracle
oracle = Oracle(name = 'GSK3B')
oracle(['CC(C)(C)....'
  'C[C@@H]1....',
  'CCNC(=O)....',
  'C[C@@H]1....'])

# [0.03, 0.02, 0.0, 0.1]

TDC 排行榜

TDC 中的每一个数据集都可作为基准，我们为其提供了训练/验证集和测试集，并附带数据拆分方式及性能评估指标。要参与特定基准的排行榜，请按照以下步骤操作：

• 使用 TDC 基准数据加载器获取基准数据。

• 利用训练集和/或验证集训练你的模型。

• 使用 TDC 模型评估工具计算模型在测试集上的表现。

• 将测试集的表现提交至 TDC 排行榜。

由于许多数据集都围绕治疗主题，我们将基准按有意义的类别进行组织，称为基准组。每个基准组内的数据集和任务都经过精心挑选，围绕某一主题展开（例如，TDC 包含一个用于支持 ADMET 属性机器学习预测的基准组）。尽管每个基准组包含多个基准，但你可以单独提交每个基准的结果。以下是访问基准的代码框架：

from tdc import BenchmarkGroup
group = BenchmarkGroup(name = 'ADMET_Group', path = 'data/')
predictions_list = []

for seed in [1, 2, 3, 4, 5]:
    benchmark = group.get('Caco2_Wang')
    # 基准组中的所有基准名称都存储在 group.dataset_names 中
    predictions = {}
    name = benchmark['name']
    train_val, test = benchmark['train_val'], benchmark['test']
    train, valid = group.get_train_valid_split(benchmark = name, split_type = 'default', seed = seed)

        # --------------------------------------------- #
        #  使用 train、valid 和 test 训练你的模型    #
        #  将测试集预测结果保存在 y_pred_test 变量中 #
        # --------------------------------------------- #

    predictions[name] = y_pred_test
    predictions_list.append(predictions)

results = group.evaluate_many(predictions_list)
# {'caco2_wang': [6.328, 0.101]}

更多信息请访问这里。

引用我们

如果你认为 Therapeutics Data Commons 对你有所帮助，请引用我们的 NeurIPS'24 AIDrugX 论文、NeurIPS 论文以及 Nature Chemical Biology 论文：

@article{Huang2021tdc,
  title={Therapeutics Data Commons: 用于药物发现与开发的机器学习数据集和任务},
  author={Huang, Kexin and Fu, Tianfan and Gao, Wenhao and Zhao, Yue and Roohani, Yusuf and Leskovec, Jure and Coley,
          Connor W and Xiao, Cao and Sun, Jimeng and Zitnik, Marinka},
  journal={神经信息处理系统大会论文集，NeurIPS 数据集与基准},
  year={2021}
}

@article{Huang2022artificial,
  title={治疗科学的人工智能基础},
  author={Huang, Kexin and Fu, Tianfan and Gao, Wenhao and Zhao, Yue and Roohani, Yusuf and Leskovec, Jure and Coley,
          Connor W and Xiao, Cao and Sun, Jimeng and Zitnik, Marinka},
  journal={Nature Chemical Biology},
  year={2022}
}

@inproceedings{ velez-arce2024signals, title={细胞中的信号：面向治疗的多模态与情境化机器学习基础}, author={Alejandro Velez-Arce 和 Xiang Lin 以及 Kexin Huang、Michelle M Li、Wenhao Gao、Bradley Pentelute、Tianfan Fu、Manolis Kellis 和 Marinka Zitnik}, booktitle={NeurIPS 2024 新型药物模式人工智能研讨会}, year={2024}, url={https://openreview.net/forum?id=kL8dlYp6IM} }

TDC 是基于其他开源项目构建的。此外，如果你在研究中使用了这些数据集或功能，请务必引用其原始出处。你可以在网站上找到相应功能或数据集的原始论文。

## 贡献

TDC 是一项由社区驱动的开放科学倡议。如需参与，请加入我们的 [Slack 工作区](https://join.slack.com/t/pytdc/shared_invite/zt-x0ujg5v6-zwtQZt83fhRdgrYjXRFz5g) 并查阅[贡献指南](CONTRIBUTE.md)！

## 联系我们

欢迎通过 [contact@tdcommons.ai](mailto:contact@tdcommons.ai) 与我们联系，或在 GitHub 上提交问题。

## 数据服务器

许多 TDC 数据集托管在 [哈佛 Dataverse](https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/21LKWG) 上，持久标识符为 [https://doi.org/10.7910/DVN/21LKWG](https://doi.org/10.7910/DVN/21LKWG)。当 Dataverse 维护时，TDC 数据集将无法访问。这种情况很少发生，请在 [Dataverse 官网](https://dataverse.harvard.edu/) 上查看当前状态。

## 许可证
TDC 的代码库采用 MIT 许可证。关于单个数据集的使用，请参考网站上的数据集许可证。

TDC (Therapeutics Data Commons) 快速上手指南

TDC 是一个旨在推动治疗科学中人工智能发展的开源平台。它提供了涵盖药物发现全流程（从小分子到生物制剂）的标准化数据集、学习任务和基准测试，帮助研究人员快速构建和评估 AI 模型。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：推荐 Python 3.7 及以上版本
• 前置依赖：TDC 的核心数据加载器非常轻量，主要依赖以下库（安装时会自动处理）：
  • numpy
  • pandas
  • tqdm
  • scikit-learn
  • fuzzywuzzy
  • seaborn

提示：建议在使用前创建独立的虚拟环境（如使用 conda 或 venv），以避免依赖冲突。

2. 安装步骤

使用 pip 安装

通过 Python 包管理器 pip 安装核心库：

pip install PyTDC

升级安装

由于 TDC 目前处于 Beta 发布阶段，数据和新功能更新频繁，建议定期运行以下命令更新到最新版本：

pip install PyTDC --upgrade

国内加速提示：如果您在中国大陆地区遇到下载速度慢的问题，可以使用国内镜像源进行安装：

pip install PyTDC -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 基本使用

TDC 采用“问题 (Problem) -> 学习任务 (Learning Task) -> 数据集 (Dataset)"的三层架构。以下是最简单的使用示例，展示如何加载一个单实例预测任务（ADME 性质预测）的数据集并进行划分。

示例：加载 HIA 数据集并划分训练/验证/测试集

from tdc.single_pred import ADME

# 1. 初始化数据集
# 这里以 ADME 任务中的 'HIA_Hou' 数据集为例
data = ADME(name='HIA_Hou')

# 2. 获取数据划分
# 使用骨架划分 (scaffold split) 方法，将数据分为训练集、验证集和测试集
# 这种划分方式在药物发现中更能模拟模型对全新化合物的泛化能力
split = data.get_split(method='scaffold')

# 3. 获取完整数据
# 可以将数据以 DataFrame (df) 或其他格式导出
df = data.get_data(format='df')

# 打印前几行查看数据结构
print(df.head())

查看可用数据集

您可以随时查询某个特定任务下包含的所有数据集名称：

from tdc.utils import retrieve_dataset_names

# 列出 ADME 任务下的所有数据集
dataset_list = retrieve_dataset_names('ADME')
print(dataset_list)

通过以上步骤，您即可快速接入 TDC 丰富的生物医药数据资源，开始您的 AI 药物研发模型训练与评估工作。更多高级功能（如分子生成 Oracle、基准测试提交等）请参考官方教程文档。