findscripter 何时使用
需要 AI-ready 的药物发现数据集与标准化评估协议 时使用 PyTDC（Therapeutics Data Commons）。它把治疗学数据组织为三类：单实例预测（分子/蛋白性质）、多实例预测（药-靶/药-药相互作用）、生成（分子设计、逆合成），并自带划分、指标与分子 oracle。典型场景：
- 加载策展过的 ADME / 毒性 / 生物活性数据集训练 ML 模型。
- 用标准化的 5 种子协议对药物发现模型做基准对比。
- 用 cold-split 评估药-靶（DTI）/药-药（DDI）相互作用预测。
- 生成新分子并用 oracle（QED、SA、DRD2、GSK3B 等）打分。
- 取 scaffold（Bemis-Murcko）或时间（temporal）划分做制药 ML。
- 分子表示转换：SMILES → PyG 图 / ECFP 指纹 / SELFIES。
不该用本条的边界：
- 仅做 ChEMBL 化合物 / 靶点 / 活性检索（非打包数据集）→ 用
chembl-bioactivity-database。 - 仅做分子特征化 / 指纹 / 描述符（不取 ML 数据集）→ 用
cheminformatics-toolkit。 - 要端到端训练分子模型（GNN、ChemBERTa）→ 用
deepchem-drug-discovery（可用 TDC 数据喂它）。 - 蛋白-配体对接 / 虚拟筛选打分用力场 → 用
autodock-vina-docking、diffdock-blind-docking。
步骤
PyTDC 走统一的 加载 → 划分 → 评估 流水线：
- 选类目与数据集：单实例
from tdc.single_pred import ADME, Tox, HTS, QM；多实例from tdc.multi_pred import DTI, DDI, PPI；生成from tdc.generation import MolGen, RetroSyn。首次访问会自动下载（~10–500 MB/集），用path='data/'指定持久缓存，避免重复下载。免 API key。 - 取数据：
data = ADME(name='Caco2_Wang')；df = data.get_data(format='df')。单实例列为['Drug_ID','Drug','Y']（Drug 是 SMILES，Y 是标签）；多实例多出Target_ID/Target（蛋白序列）。 - 划分（关键决策）：
split = data.get_split(method='scaffold', seed=42, frac=[0.7,0.1,0.2])。分子性质预测默认且强烈推荐scaffold（Bemis-Murcko，保证训练/测试结构多样、不泄漏）；相互作用预测用cold_drug/cold_target/cold_drug_target（测对未见药/靶的泛化）；random会高估性能、不可发表。可用方法：random、scaffold、cold_drug、cold_target、cold_drug_target、temporal。 - 评估：
Evaluator(name='MAE')(y_true, y_pred)。分类用ROC-AUC/PR-AUC/F1/Accuracy；回归用RMSE/MAE/R2；排序用Spearman/Pearson；多标签用Micro-F1/Macro-F1。 - 生成任务用 oracle：
Oracle(name='GSK3B')(smiles)返回 0–1 活性概率，支持批量oracle([smi1, smi2])。 - 跑标准基准：
from tdc.benchmark_group import admet_group，按 5 种子协议训练-评估，group.evaluate(predictions)返回mean ± std。
指令
安装（核心轻量；scaffold 划分需 RDKit，PyG 转换需 torch-geometric）：
uv pip install PyTDC # 核心：numpy, pandas, scikit-learn, tqdm, fuzzywuzzy
uv pip install rdkit # scaffold 划分所需
uv pip install torch-geometric # SMILES → PyG 图（可选）
快速上手（scaffold 划分 + MAE 评估）：
from tdc.single_pred import ADME
from tdc import Evaluator
data = ADME(name='Caco2_Wang') # 肠道通透性（回归）
split = data.get_split(method='scaffold', seed=42, frac=[0.7, 0.1, 0.2])
train, valid, test = split['train'], split['valid'], split['test']
print(len(train), len(valid), len(test)) # ~640 91 182
evaluator = Evaluator(name='MAE')
# score = evaluator(test['Y'].values, predictions)
数据集速查（用 name= 切换）：
from tdc.single_pred import ADME, Tox
ADME(name='BBB_Martins') # 血脑屏障（二分类）
ADME(name='Lipophilicity_AstraZeneca') # LogD（回归）
ADME(name='Solubility_AqSolDB') # 水溶性
Tox(name='hERG') # 心脏毒性 / Tox(name='AMES') 致突变 / Tox(name='DILI') 肝损伤
# 列出某任务全部数据集，避免拼错 name 报 KeyError：
from tdc.utils import retrieve_dataset_names
print(retrieve_dataset_names('ADME'))
多实例 + cold split（验证训练/测试零药物重叠）：
from tdc.multi_pred import DTI
data = DTI(name='BindingDB_Kd') # 52,284 对，Kd 值；DAVIS / KIBA 为激酶数据
cold = data.get_split(method='cold_drug', seed=1)
overlap = set(cold['train']['Drug_ID']) & set(cold['test']['Drug_ID'])
print(len(overlap)) # 0 —— cold_drug 保证测试集药物训练未见
生成 + oracle 打分：
from tdc.generation import MolGen
from tdc import Oracle
train_smiles = MolGen(name='ChEMBL_V29').get_split()['train']['Drug'].tolist() # 1.6M 类药 SMILES
oracle = Oracle(name='GSK3B') # GSK3B 抑制预测，0–1
print(oracle('CC(C)Cc1ccc(cc1)C(C)C(O)=O'))
print(oracle(['CCO', 'c1ccccc1', 'CC(=O)O'])) # 批量
示例
5 种子 ADME 模型评估（scaffold 划分，报 mean ± std）：
from tdc.single_pred import ADME
from tdc import Evaluator
import numpy as np
data = ADME(name='Caco2_Wang'); evaluator = Evaluator(name='MAE'); results = []
for seed in [1, 2, 3, 4, 5]:
split = data.get_split(method='scaffold', seed=seed)
train, test = split['train'], split['test']
# model.fit(train['Drug'], train['Y']); preds = model.predict(test['Drug'])
preds = test['Y'].values + np.random.normal(0, 0.1, len(test)) # 占位
results.append(evaluator(test['Y'].values, preds))
print(f"Mean MAE: {np.mean(results):.4f} ± {np.std(results):.4f}")
ADMET 标准基准组（22 个数据集，5 种子协议）：
from tdc.benchmark_group import admet_group
group = admet_group(path='data/')
benchmark = group.get('Caco2_Wang')
predictions = {}
for seed in [1, 2, 3, 4, 5]:
train, valid, test = benchmark['train'], benchmark['valid'], benchmark['test']
# 在 train 上训练、valid 调参，predictions[seed] = model.predict(test['Drug'])
predictions[seed] = test['Y'].values # 占位
results = group.evaluate(predictions)
print(f"Mean MAE: {results['Caco2_Wang'][0]:.4f} ± {results['Caco2_Wang'][1]:.4f}")
多目标分子打分（oracle 加权，注意各 oracle 尺度不同）：
from tdc import Oracle
oracles = {'QED': (Oracle(name='QED'), 0.3), # 类药性 0–1
'SA': (Oracle(name='SA'), 0.3), # 合成可及性 1–10（越低越好）
'GSK3B': (Oracle(name='GSK3B'), 0.4)} # 靶点活性 0–1
smi = 'CC(C)Cc1ccc(cc1)C(C)C(O)=O'
weighted = sum(o(smi) * w for o, w in oracles.values())
print(f"加权得分: {weighted:.4f}")
分子格式转换（SMILES → ECFP4 / SELFIES）：
from tdc.chem_utils import MolConvert
ecfp = MolConvert(src='SMILES', dst='ECFP4')('CC(C)Cc1ccc(cc1)C(C)C(O)=O')
selfies = MolConvert(src='SMILES', dst='SELFIES')('CC(C)Cc1ccc(cc1)C(C)C(O)=O')
print(ecfp.shape) # (1024,) 二进制指纹
注意事项
- 分子性质预测必须 scaffold 划分：
random泄漏结构信息、虚高指标，审稿期望 scaffold 或 temporal 划分。get_split默认即scaffold。 - 相互作用预测用 cold split：
cold_drug测对未见药物泛化、cold_target对未见靶点；cold_drug_target两者皆未见。用上面的 overlap 检查确认零泄漏。 - 永远报 5 种子 mean ± std：单种子结果不可靠，不能用于方法对比；基准组（
admet_group）天然按此协议。 - oracle 尺度各异，组合前先归一：
QED返回 0–1，SA返回 1–10（越低越好），结合分各异；直接加权前先核对各 oracle 文档/范围。 - oracle 返回 NaN：多半是非法 SMILES 或 RDKit 解析失败，打分前先用
Chem.MolFromSmiles(smi) is not None预过滤。 - 数据集名写错报
KeyError：用retrieve_dataset_names('ADME')取合法 name 再传。 - 大数据集缓存：始终指定持久
path='data/'，避免跨会话重复下载（DTI/生成集可达数百 MB）。benchmark评估须传dict，键为种子：{1: preds1, 2: preds2, ...}，否则报格式错。 - 依赖缺失：
ModuleNotFoundError: tdc→uv pip install PyTDC；scaffold 划分失败 → 装rdkit；PyG 转换失败 → 装torch-geometric。 - 数据处理工具：
MolConvert(src,dst)（格式转换）、MolFilter（PAINS/类药性过滤，训练前剔除问题分子）、label_transform（连续→二值、nM→pIC50 单位换算）、cid2smiles()/uniprot2seq()（ID 解析）。
互见
- related：
chembl-bioactivity-database—— 直接检索 ChEMBL 化合物/靶点/活性（非打包数据集）的来源。 - related：
cheminformatics-toolkit—— RDKit 解析/清洗 SMILES、算指纹与描述符，喂入 TDC 数据集前的预处理。 - related：
protein-language-models—— DTI 任务蛋白序列侧的表征建模。 - combines_with：
deepchem-drug-discovery—— 用 TDC 数据集+划分喂 DeepChem 训练 GNN/语言模型。 - combines_with：
scikit-learn-ml—— 在 TDC 划分上训经典 ML 基线并用Evaluator评估。
本条采编自 jaechang-hits/SciAgent-Skills（CC-BY-4.0）。