Deepchem Drug Discovery

何时使用

需要用 DeepChem 做端到端分子机器学习（从 SMILES 到训练好的预测模型）时使用：

• 从 SMILES 预测分子性质：溶解度、毒性、结合亲和力、ADMET 等。
• 在 MoleculeNet 标准基准上跑模型/对比（BBBP、Tox21、ESOL、FreeSolv、HIV、QM7/9 等，自动下载）。
• 训练分子图神经网络：GCN、GAT、AttentiveFP、MPNN、DMPNN。
• 微调预训练化学语言模型（ChemBERTa、GROVER、MolFormer）做低数据迁移学习。
• 分子 ML 超参搜索；虚拟筛选与命中分级；材料/晶体性质预测（CGCNN、MEGNet）。

不该用本条的情形：

• 只做指纹/描述符这类不含深度学习的化学信息学细粒度处理 → 用 cheminformatics-toolkit（RDKit）。
• 仅需把分子特征化、不训模型 → 用专门的特征化库（molfeat）。
• 蛋白-配体对接、分子动力学、量子化学/DFT → 超出范畴，用 AutoDock/OpenMM/Psi4。
• 经典表格 ML 基线且无分子语义 → 直接用 scikit-learn-ml（DeepChem 也可经 SklearnModel 包装它）。

步骤

DeepChem 所有工作流走同一条 5 步流水线：加载 → 特征化 → 划分 → 训练 → 评估。

1. 加载数据：CSV 用 dc.data.CSVLoader（指定 tasks、feature_field="smiles"、featurizer）；SDF（3D）用 dc.data.SDFLoader；基准数据用 dc.molnet.load_*() 自动下载+特征化+划分。
2. 特征化：把 featurizer 传给 loader，或直接 featurizer.featurize(smiles)。特征化器必须与模型匹配——指纹模型用 CircularFingerprint，GNN 用 ConvMolFeaturizer/MolGraphConvFeaturizer，混用会静默出错。
3. 划分：药物发现默认且强烈推荐 ScaffoldSplitter（测对新骨架的泛化）；RandomSplitter 仅做快速实验（会高估性能、不可发表）；多样性用 ButinaSplitter。
4. 归一化目标（回归）：dc.trans.NormalizationTransformer(transform_y=True, dataset=...)；预测后用 transformer.untransform() 还原尺度。
5. 训练：model.fit(train, nb_epoch=N)。先跑 MultitaskRegressor+ECFP 基线，不够再上 GNN（更费数据和算力）。
6. 评估：model.evaluate(test, metrics_list)，回归看 pearson_r2_score/mean_absolute_error/rms_score，分类看 roc_auc_score。

指令

安装（核心含 RDKit/sklearn/XGBoost；GNN 需 torch 后端）：

pip install deepchem          # 核心
pip install deepchem[torch]   # GNN 模型（PyTorch 后端）
pip install deepchem[all]     # 全后端 + extras

最小流程（MoleculeNet + 多任务回归）：

import deepchem as dc
tasks, datasets, transformers = dc.molnet.load_delaney(featurizer="ECFP")  # ESOL 溶解度
train, valid, test = datasets
model = dc.models.MultitaskRegressor(n_tasks=1, n_features=1024, dropouts=0.2)
model.fit(train, nb_epoch=50)
metric = dc.metrics.Metric(dc.metrics.pearson_r2_score)
print(model.evaluate(test, [metric]))   # {'pearson_r2_score': ~0.7}

从 CSV 加载并特征化：

loader = dc.data.CSVLoader(
    tasks=["pIC50"], feature_field="smiles",
    featurizer=dc.feat.CircularFingerprint(size=2048, radius=3),
)
dataset = loader.create_dataset("bioactivity.csv")
# 注意 n_features 必须等于 dataset.X.shape[1]，否则训练报维度不匹配

图神经网络（AttentiveFP，分子性质常达 SOTA）：

tasks, datasets, transformers = dc.molnet.load_delaney(
    featurizer=dc.feat.MolGraphConvFeaturizer(use_edges=True))
train, valid, test = datasets
m = dc.models.AttentiveFPModel(n_tasks=1, mode="regression",
        num_layers=2, graph_feat_size=200, num_timesteps=2,
        dropout=0.2, learning_rate=0.001, batch_size=64)
m.fit(train, nb_epoch=100)

迁移学习（ChemBERTa 微调，低数据更划算）：

from deepchem.models.torch_models import ChemBERTaModel
tasks, datasets, _ = dc.molnet.load_bbbp(featurizer=dc.feat.SmilesTokenizer())
train, valid, test = datasets
clf = ChemBERTaModel(task="classification", n_tasks=1, model_dir="chemberta/")
clf.fit(train, nb_epoch=10)   # 微调用更小 lr（1e-5~5e-5），5~15 epoch

保存/加载与新分子推理：

model.save_checkpoint(model_dir="saved/")
m2 = dc.models.MultitaskRegressor(n_tasks=1, n_features=2048); m2.restore(model_dir="saved/")
feat = dc.feat.CircularFingerprint(size=1024, radius=2)   # 与训练同特征化器
new = dc.data.NumpyDataset(X=feat.featurize(["c1cc(O)ccc1", "OC(=O)c1ccccc1"]))
print(m2.predict(new))

示例

完整 QSAR 流水线（CSV → scaffold 划分 → 训练 → 评估）：

import deepchem as dc
loader = dc.data.CSVLoader(tasks=["pIC50"], feature_field="smiles",
    featurizer=dc.feat.CircularFingerprint(size=2048, radius=3))
dataset = loader.create_dataset("bioactivity_data.csv")
dataset = dc.trans.NormalizationTransformer(transform_y=True, dataset=dataset).transform(dataset)
train, valid, test = dc.splits.ScaffoldSplitter().train_valid_test_split(dataset)
model = dc.models.MultitaskRegressor(n_tasks=1, n_features=2048,
    layer_sizes=[1000, 500], dropouts=0.25, learning_rate=0.001, batch_size=64)
model.fit(train, nb_epoch=100)
r = model.evaluate(test, [dc.metrics.Metric(dc.metrics.pearson_r2_score),
                          dc.metrics.Metric(dc.metrics.mean_absolute_error)])
print(f"R2={r['pearson_r2_score']:.3f}  MAE={r['mean_absolute_error']:.3f}")

超参网格搜索（在 valid 上择优，再上 test）：

params = {"n_features": [1024], "layer_sizes": [[500], [1000, 500], [1000, 500, 250]],
          "dropouts": [0.1, 0.25, 0.5], "learning_rate": [0.001, 0.0005]}
opt = dc.hyper.GridHyperparamOpt(lambda **p: dc.models.MultitaskRegressor(**p))
metric = dc.metrics.Metric(dc.metrics.pearson_r2_score)
best_model, best_params, _ = opt.hyperparam_search(params, train, valid, metric,
                                                    logdir="hyperparam_logs/")
print(best_params, best_model.evaluate(test, [metric]))

GNN vs 随机森林基线对比（BBBP，scaffold 划分）：

metric = dc.metrics.Metric(dc.metrics.roc_auc_score)
_, (tr, _, te), _ = dc.molnet.load_bbbp(featurizer="GraphConv", splitter="scaffold")
gcn = dc.models.GraphConvModel(n_tasks=1, mode="classification", dropout=0.2); gcn.fit(tr, nb_epoch=50)
_, (trf, _, tef), _ = dc.molnet.load_bbbp(featurizer="ECFP", splitter="scaffold")
rf = dc.models.SklearnModel(
    model=dc.models.sklearn_models.RandomForestClassifier(n_estimators=500), model_dir="rf/")
rf.fit(trf)
print("GCN", gcn.evaluate(te, [metric]), "RF", rf.evaluate(tef, [metric]))

注意事项

• 药物发现必须 scaffold 划分：随机划分泄漏结构信息、高估性能，分子性质预测结果用 RandomSplitter 不可发表，审稿人期望 scaffold 或时间划分。
• 回归先归一化目标：NormalizationTransformer(transform_y=True)，预测后 untransform() 还原；否则易 NaN loss 或预测常数。
• 先基线后 GNN：先 MultitaskRegressor+ECFP，基线不足再上 GNN（更吃数据/算力）。
• 特征化器须配模型：GNN 要图特征化器，指纹模型要 CircularFingerprint，混用静默出错。n_features 必须等于 dataset.X.shape[1]。
• 多任务缺标签：Tox21 等含 NaN，DeepChem 训练时自动 masked loss 处理，可用 np.isnan(dataset.y).sum() 核查。
• 早停：GNN 尤其要监控 valid loss 防过拟合（dropout 0.3~0.5）。
• 常见报错：ModuleNotFoundError: torch → 装 deepchem[torch]；CUDA out of memory → 减 batch_size（32/16）或转 CPU；个别 SMILES FeaturizationError → 先用 RDKit Chem.MolFromSmiles(smi) is not None 预过滤；特征化慢 → 优先 CircularFingerprint 或并行 n_jobs。
• 关键超参参考：dropouts 0.00.5、learning_rate 1e-50.01、batch_size 16256、nb_epoch 10300、CircularFingerprint size 5124096 / radius 24。

互见

• related：cheminformatics-toolkit —— 上游用 RDKit 解析/清洗 SMILES、算指纹与描述符，再喂给 DeepChem 训练。
• related：protein-language-models —— 蛋白侧表征建模，与小分子性质预测互补。
• related：single-cell-rnaseq-analysis、scientific-database-lookup —— 同领域生信/数据检索协作。
• combines_with：scikit-learn-ml —— 经典 ML 基线（DeepChem 经 SklearnModel 包装），与神经/图模型对照。

本条采编自 jaechang-hits/SciAgent-Skills（CC-BY-4.0）。