Pytdc

PyTDC (Therapeutics Data Commons)

Visão Geral

PyTDC é uma plataforma de ciência aberta que fornece datasets e benchmarks prontos para IA em descoberta de drogas e desenvolvimento terapêutico. Acesse datasets curados cobrindo todo o pipeline terapêutico com métricas de avaliação padronizadas e divisões de dados significativas, organizados em três categorias: predição de instância única (propriedades moleculares/protéicas), predição de multi-instância (interações droga-alvo, DDI) e geração (geração de moléculas, retrossíntese).

Quando Usar Esta Skill

Esta skill deve ser usada quando:

• Trabalhando com descoberta de drogas ou datasets de ML terapêutico
• Fazendo benchmark de modelos de machine learning em tarefas farmacêuticas padronizadas
• Predizendo propriedades moleculares (ADME, toxicidade, bioatividade)
• Predizendo interações droga-alvo ou droga-droga
• Gerando novas moléculas com propriedades desejadas
• Acessando datasets curados com divisões adequadas de treino/teste (scaffold, cold-split)
• Usando oráculos moleculares para otimização de propriedades

Instalação e Configuração

Instale PyTDC usando pip:

uv pip install PyTDC

Para atualizar para a versão mais recente:

uv pip install PyTDC --upgrade

Dependências principais (instaladas automaticamente):

• numpy, pandas, tqdm, seaborn, scikit_learn, fuzzywuzzy

Pacotes adicionais são instalados automaticamente conforme necessário para recursos específicos.

Início Rápido

O padrão básico para acessar qualquer dataset de TDC segue esta estrutura:

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')

Onde:

• <problem>: Um de single_pred, multi_pred ou generation
• <Task>: Categoria de tarefa específica (ex: ADME, DTI, MolGen)
• <Dataset>: Nome do dataset dentro dessa tarefa

Exemplo - Carregando dados de ADME:

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

Tarefas de Predição de Instância Única

A predição de instância única envolve prever propriedades de entidades biomédicas individuais (moléculas, proteínas, etc.).

Categorias de Tarefas Disponíveis

1. ADME (Absorção, Distribuição, Metabolismo, Excreção)

Prediga propriedades farmacocinéticas de moléculas de drogas.

from tdc.single_pred import ADME
data = ADME(name='Caco2_Wang')  # Permeabilidade intestinal
# Outros datasets: HIA_Hou, Bioavailability_Ma, Lipophilicity_AstraZeneca, etc.

Datasets ADME comuns:

• Caco2 - Permeabilidade intestinal
• HIA - Absorção intestinal humana
• Bioavailability - Biodisponibilidade oral
• Lipophilicity - Coeficiente de partição octanol-água
• Solubility - Solubilidade aquosa
• BBB - Penetração da barreira hematoencefálica
• CYP - Metabolismo citocromo P450

2. Toxicidade (Tox)

Prediga toxicidade e efeitos adversos de compostos.

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

Datasets de toxicidade comuns:

• hERG - Toxicidade cardíaca
• AMES - Mutagenicidade
• DILI - Lesão hepática induzida por droga
• Carcinogens - Carcinogenicidade
• ClinTox - Toxicidade em ensaios clínicos

3. HTS (High-Throughput Screening)

Predições de bioatividade a partir de dados de screening.

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

4. QM (Quantum Mechanics)

Propriedades mecânico-quânticas de moléculas.

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

5. Outras Tarefas de Predição Única

• Yields: Predição de rendimento de reação química
• Epitope: Predição de epítopo para biológicos
• Develop: Predições de estágio de desenvolvimento
• CRISPROutcome: Predição de resultado de edição gênica

Formato de Dados

Datasets de predição única geralmente retornam DataFrames com colunas:

• Drug_ID ou Compound_ID: Identificador único
• Drug ou X: String SMILES ou representação molecular
• Y: Label alvo (contínuo ou binário)

Tarefas de Predição de Multi-Instância

A predição de multi-instância envolve prever propriedades de interações entre múltiplas entidades biomédicas.

Categorias de Tarefas Disponíveis

1. DTI (Drug-Target Interaction)

Prediga afinidade de ligação entre drogas e alvos protéicos.

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

Datasets disponíveis:

• BindingDB_Kd - Constante de dissociação (52.284 pares)
• BindingDB_IC50 - Concentração inibitória máxima (991.486 pares)
• BindingDB_Ki - Constante de inibição (375.032 pares)
• DAVIS, KIBA - Datasets de ligação de quinase

Formato de dados: Drug_ID, Target_ID, Drug (SMILES), Target (sequência), Y (afinidade de ligação)

2. DDI (Drug-Drug Interaction)

Prediga interações entre pares de drogas.

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

Tarefa de classificação multiclasse que prediz tipos de interação. Dataset contém 191.808 pares de DDI com 1.706 drogas.

3. PPI (Protein-Protein Interaction)

Prediga interações proteína-proteína.

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

4. Outras Tarefas de Multi-Predição

• GDA: Associações gene-doença
• DrugRes: Predição de resistência a drogas
• DrugSyn: Predição de sinergia de drogas
• PeptideMHC: Ligação de peptídeo-MHC
• AntibodyAff: Predição de afinidade de anticorpo
• MTI: Interações miRNA-alvo
• Catalyst: Predição de catalisador
• TrialOutcome: Predição de resultado de ensaio clínico

Tarefas de Geração

As tarefas de geração envolvem criar novas entidades biomédicas com propriedades desejadas.

1. Geração Molecular (MolGen)

Gere moléculas diversas e inéditas com propriedades químicas desejáveis.

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

Use com oráculos para otimizar propriedades específicas:

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

Veja references/oracles.md para todas as funções de oráculo disponíveis.

2. Retrossíntese (RetroSyn)

Prediga reagentes necessários para sintetizar uma molécula alvo.

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

Dataset contém 1.939.253 reações do banco de dados USPTO.

3. Geração de Moléculas Pareadas

Gere pares de moléculas (ex: pares pró-droga-droga).

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

Para documentação detalhada de oráculos e workflows de geração molecular, consulte references/oracles.md e scripts/molecular_generation.py.

Grupos de Benchmark

Grupos de benchmark fornecem coleções curadas de datasets relacionados para avaliação sistemática de modelos.

Grupo de Benchmark ADMET

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

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

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

# Avalie com 5 seeds necessárias
results = group.evaluate(predictions)

O Grupo ADMET inclui 22 datasets cobrindo absorção, distribuição, metabolismo, excreção e toxicidade.

Outros Grupos de Benchmark

Grupos de benchmark disponíveis incluem coleções para:

• Propriedades ADMET
• Interações droga-alvo
• Predição de combinação de drogas
• E mais tarefas terapêuticas especializadas

Para workflows de avaliação de benchmark, veja scripts/benchmark_evaluation.py.

Funções de Dados

TDC fornece utilitários abrangentes de processamento de dados organizados em quatro categorias.

1. Divisões de Dataset

Recupere partições de treino/validação/teste com várias estratégias:

# Divisão por scaffold (padrão para a maioria das tarefas)
split = data.get_split(method='scaffold', seed=1, frac=[0.7, 0.1, 0.2])

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

# Divisão fria (para tarefas DTI/DDI)
split = data.get_split(method='cold_drug', seed=1)  # Drogas não vistas no teste
split = data.get_split(method='cold_target', seed=1)  # Alvos não vistos no teste

Estratégias de divisão disponíveis:

• random: Embaralhamento aleatório
• scaffold: Baseado em scaffold (para diversidade química)
• cold_drug, cold_target, cold_drug_target: Para tarefas DTI
• temporal: Divisões baseadas em tempo para datasets temporais

2. Avaliação de Modelo

Use métricas padronizadas para avaliação:

from tdc import Evaluator

# Para classificação binária
evaluator = Evaluator(name='ROC-AUC')
score = evaluator(y_true, y_pred)

# Para regressão
evaluator = Evaluator(name='RMSE')
score = evaluator(y_true, y_pred)

Métricas disponíveis: ROC-AUC, PR-AUC, F1, Accuracy, RMSE, MAE, R2, Spearman, Pearson, e mais.

3. Processamento de Dados

TDC fornece 11 utilitários de processamento principais:

from tdc.chem_utils import MolConvert

# Conversão de formato molecular
converter = MolConvert(src='SMILES', dst='PyG')
pyg_graph = converter('CC(C)Cc1ccc(cc1)C(C)C(O)=O')

Utilitários de processamento incluem:

• Conversão de formato molecular (SMILES, SELFIES, PyG, DGL, ECFP, etc.)
• Filtros de molécula (PAINS, drug-likeness)
• Binarização de label e conversão de unidade
• Balanceamento de dados (over/under-sampling)
• Negative sampling para dados pareados
• Transformação de grafo
• Recuperação de entidade (CID para SMILES, UniProt para sequência)

Para documentação abrangente de utilitários, veja references/utilities.md.

4. Oráculos de Geração de Moléculas

TDC fornece 17+ funções de oráculo para otimização molecular:

from tdc import Oracle

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

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

Para documentação completa de oráculos, veja references/oracles.md.

Recursos Avançados

Recuperar Datasets Disponíveis

from tdc.utils import retrieve_dataset_names

# Obtenha todos os datasets ADME
adme_datasets = retrieve_dataset_names('ADME')

# Obtenha todos os datasets DTI
dti_datasets = retrieve_dataset_names('DTI')

Transformações de Label

# Obtenha mapeamento de label
label_map = data.get_label_map(name='DrugBank')

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

Queries de Banco de Dados

from tdc.utils import cid2smiles, uniprot2seq

# Converta PubChem CID para SMILES
smiles = cid2smiles(2244)

# Converta ID UniProt para sequência de aminoácido
sequence = uniprot2seq('P12345')

Workflows Comuns

Workflow 1: Treinar um Modelo de Predição Única

Veja scripts/load_and_split_data.py para um exemplo completo:

from tdc.single_pred import ADME
from tdc import Evaluator

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

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

# Treine o modelo (você implementa)
# model.fit(train['Drug'], train['Y'])

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

Workflow 2: Avaliação de Benchmark

Veja scripts/benchmark_evaluation.py para um exemplo completo com múltiplas seeds e protocolo de avaliação adequado.

Workflow 3: Geração Molecular com Oráculos

Veja scripts/molecular_generation.py para um exemplo de geração direcionada a objetivo usando funções de oráculo.

Recursos

Esta skill inclui recursos agrupados para workflows comuns de TDC:

scripts/

• load_and_split_data.py: Template para carregar e dividir datasets de TDC com várias estratégias
• benchmark_evaluation.py: Template para executar avaliações de grupo de benchmark com protocolo apropriado de 5 seeds
• molecular_generation.py: Template para geração molecular usando funções de oráculo

references/

• datasets.md: Catálogo abrangente de todos os datasets disponíveis organizados por tipo de tarefa
• oracles.md: Documentação completa de todos os 17+ oráculos de geração de moléculas
• utilities.md: Guia detalhado para utilitários de processamento de dados, divisão e avaliação

Recursos Adicionais

• Website Oficial: https://tdcommons.ai
• Documentação: https://tdc.readthedocs.io
• GitHub: https://github.com/mims-harvard/TDC
• Paper: NeurIPS 2021 - "Therapeutics Data Commons: Machine Learning Datasets and Tasks for Drug Discovery and Development"