# Pytdc > Therapeutics Data Commons. Conjuntos de dados prontos para IA em descoberta de drogas (ADME, toxicidade, DTI), benchmarks, divisões de scaffold, oráculos moleculares, para ML terapêutico e predição farmacológica. - Skill: `artubss/pytdc` (Agent Skill, multi-file: 7 files) - Install (CLI): `npx skillmds@latest add artubss/pytdc` - Raw SKILL.md: https://api.skillmd.com/api/skills/artubss/pytdc/raw - Safety review: pending (external: skill-scanner PASS, skillspector PASS) - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Coding & Dev Tools - Author: artubss (https://skillmd.com/u/artubss) - Updated: 2026-08-19 - Page: https://skillmd.com/skills/artubss/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: ```bash uv pip install PyTDC ``` Para atualizar para a versão mais recente: ```bash 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: ```python from tdc. import data = (name='') split = data.get_split(method='scaffold', seed=1, frac=[0.7, 0.1, 0.2]) df = data.get_data(format='df') ``` Onde: - ``: Um de `single_pred`, `multi_pred` ou `generation` - ``: Categoria de tarefa específica (ex: ADME, DTI, MolGen) - ``: Nome do dataset dentro dessa tarefa **Exemplo - Carregando dados de ADME:** ```python 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. ```python 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. ```python 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. ```python from tdc.single_pred import HTS data = HTS(name='SARSCoV2_Vitro_Touret') ``` #### 4. QM (Quantum Mechanics) Propriedades mecânico-quânticas de moléculas. ```python 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. ```python 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. ```python 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. ```python 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. ```python from tdc.generation import MolGen data = MolGen(name='ChEMBL_V29') split = data.get_split() ``` Use com oráculos para otimizar propriedades específicas: ```python 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. ```python 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). ```python 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 ```python 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: ```python # 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: ```python 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: ```python 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: ```python 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 ```python 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 ```python # 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 ```python 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: ```python 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"