findscripter 何时使用
需要取药物发现 / 治疗学领域开箱即用、已标准化的数据集与基准（TDC，Therapeutics Data Commons），并做规范划分与评测时使用：
- 取分子/蛋白性质预测数据：ADME（吸收分布代谢排泄）、毒性（hERG/AMES/DILI/ClinTox）、HTS、QM。
- 取相互作用数据：药物-靶点 DTI（BindingDB/DAVIS/KIBA）、药物-药物 DDI、PPI、药物协同/耐药、肽-MHC、临床试验结局。
- 取分子生成 / 逆合成数据（MolGen、RetroSyn、PairMolGen），并用 Oracle 给分子打分做目标导向优化。
- 需要可发表/可复现的标准划分（scaffold、cold-drug/cold-target、temporal）与统一 metrics（ROC-AUC、RMSE、Spearman…）。
- 跑官方 benchmark group（如 ADMET 22 个数据集，强制 5 seed 评测协议）做系统对比。
不该用本条的情形：
- 自己从 ChEMBL/PubChem 拉原始数据并清洗去重 → 用
scientific-database-lookup/pubchem-compound-search。 - 训练某个具体模型架构（GNN、化学语言模型、QSAR 端到端） → 用
deepchem-drug-discovery（TDC 只提供数据/划分/评测，不含模型）。 - 仅做 RDKit 指纹、描述符、分子清洗等化学信息学处理 → 用
cheminformatics-toolkit。 - 蛋白-配体对接 / 分子动力学 → 用
autodock-vina-docking/molecular-dynamics-simulation。
步骤
TDC 三大类、统一访问范式：选问题域 → 选任务 → 选数据集 → 划分 → 取数据 / 评测。
- 定位问题域：
single_pred（单实体性质）/multi_pred（实体间相互作用）/generation（生成）。 - 选任务类：single_pred 下
ADME/Tox/HTS/QM/Yields/Epitope/Develop/CRISPROutcome；multi_pred 下DTI/DDI/PPI/GDA/DrugRes/DrugSyn/PeptideMHC/AntibodyAff/MTI/Catalyst/TrialOutcome；generation 下MolGen/RetroSyn/PairMolGen。 - 加载数据集：
data = <Task>(name='<Dataset>')；data.get_data(format='df')取 DataFrame。不确定有哪些数据集用retrieve_dataset_names('ADME')列举。 - 划分：
data.get_split(method=..., seed=..., frac=[0.7,0.1,0.2])，返回含train/valid/test的 dict。分子任务默认且推荐scaffold（测对新骨架泛化）；DTI/DDI 用cold_drug/cold_target/cold_drug_target测对未见实体的泛化；时间序列用temporal；random仅快速实验。 - 评测：
Evaluator(name='ROC-AUC')(y_true, y_pred)，分类用 ROC-AUC/PR-AUC/F1，回归用 RMSE/MAE/Spearman/Pearson。 - 生成任务额外步骤：用
Oracle(name='GSK3B')('SMILES')对生成分子打分做目标导向优化。 - 跑官方基准：用
benchmark_group（如admet_group），按其强制 5 seed协议训练并group.evaluate(predictions)。
数据列约定：single_pred 多为 Drug_ID / Drug(SMILES) / Y；DTI 为 Drug_ID / Target_ID / Drug(SMILES) / Target(序列) / Y。
指令
安装：
uv pip install PyTDC # 安装
uv pip install PyTDC --upgrade # 升级（核心依赖 numpy/pandas/tqdm/seaborn/scikit_learn/fuzzywuzzy 自动装）
通用访问范式：
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')
划分策略：
data.get_split(method='scaffold', seed=1, frac=[0.7,0.1,0.2]) # 分子任务默认
data.get_split(method='random', seed=42, frac=[0.8,0.1,0.1])
data.get_split(method='cold_drug', seed=1) # DTI：测试集出现未见过的药物
data.get_split(method='cold_target', seed=1) # DTI：测试集出现未见过的靶点
评测器与 Oracle：
from tdc import Evaluator, Oracle
roc = Evaluator(name='ROC-AUC'); print(roc(y_true, y_pred)) # 分类
rmse = Evaluator(name='RMSE'); print(rmse(y_true, y_pred)) # 回归
oracle = Oracle(name='DRD2'); print(oracle('CC(C)Cc1ccc(cc1)C(C)C(O)=O')) # 单/批量 SMILES 打分
实用工具（数据集列举、格式转换、ID 互转、单位变换）：
from tdc.utils import retrieve_dataset_names, cid2smiles, uniprot2seq
adme_list = retrieve_dataset_names('ADME')
smiles = cid2smiles(2244) # PubChem CID → SMILES
seq = uniprot2seq('P12345') # UniProt → 氨基酸序列
from tdc.chem_utils import MolConvert
pyg = MolConvert(src='SMILES', dst='PyG')('CC(C)Cc1ccc(cc1)C(C)C(O)=O')
示例
ADME 单性质预测（加载 + scaffold 划分 + 评测骨架）：
from tdc.single_pred import ADME
from tdc import Evaluator
data = ADME(name='Caco2_Wang') # 肠道通透性
split = data.get_split(method='scaffold', seed=42)
train, valid, test = split['train'], split['valid'], split['test']
# model.fit(train['Drug'], train['Y']); preds = model.predict(test['Drug'])
mae = Evaluator(name='MAE')
# print(mae(test['Y'], preds))
DTI（cold split 测未见靶点泛化）：
from tdc.multi_pred import DTI
data = DTI(name='BindingDB_Kd') # 52,284 对；列：Drug/Target/Y
split = data.get_split(method='cold_target', seed=1)
ADMET 官方基准（强制 5 seed，否则结果不可比/不可发表）：
from tdc.benchmark_group import admet_group
group = admet_group(path='data/')
benchmark = group.get('Caco2_Wang') # ADMET Group 含 22 个数据集
predictions = {}
for seed in [1, 2, 3, 4, 5]:
train, valid = benchmark['train'], benchmark['valid']
# 在此训练模型
predictions[seed] = model.predict(benchmark['test'])
results = group.evaluate(predictions) # 官方协议聚合多 seed
分子生成 + Oracle 目标导向优化：
from tdc.generation import MolGen
from tdc import Oracle
data = MolGen(name='ChEMBL_V29'); split = data.get_split()
oracle = Oracle(name='JNK3')
scores = oracle(['CCO', 'c1ccccc1', 'CC(C)Cc1ccc(cc1)C(C)C(O)=O']) # 批量打分
注意事项
- TDC 只给数据/划分/评测，不含模型：模型训练自备（可配
deepchem-drug-discovery或自写 sklearn/torch）；本条负责把数据喂对、把评测做对。 - 分子任务必须 scaffold 划分：随机划分泄漏骨架信息、高估泛化，结果不可发表；审稿默认期望 scaffold 或 temporal。DTI/DDI 用 cold split 才能真实反映对未见药物/靶点的泛化。
- 官方基准强制 5 seed：benchmark group（如 ADMET）必须按
[1,2,3,4,5]多 seed 跑并交给group.evaluate，单 seed 结果与排行榜不可比。 - 数据规模差异大：如 BindingDB_IC50 约 991,486 对、Ki 约 375,032、USPTO 逆合成约 1,939,253 反应，DDI（DrugBank）191,808 对/1,706 药物——首次加载会自动下载，注意磁盘与内存。
- 特征/单位先确认：标签可能为不同单位（nM 等），需要时用
label_transform(y, from_unit='nM', to_unit='p')统一；分类任务先核对Y是连续值还是二值。 - 格式转换需对应后端依赖：
MolConvert转PyG/DGL需另装相应图库；按需触发安装。 - 更多数据集目录、全部 Oracle、数据处理工具见官方文档：tdcommons.ai、tdc.readthedocs.io、GitHub mims-harvard/TDC（NeurIPS 2021 论文）。
互见
- related：
deepchem-drug-discovery—— 用 TDC 取数据/划分后，交 DeepChem 做端到端建模；二者职责互补（数据 vs 模型）。 - related：
cheminformatics-toolkit—— 取到 SMILES 后用 RDKit 做指纹/描述符/清洗，再进入建模。 - related：
protein-language-models—— DTI 任务的蛋白侧表征建模。 - related：
scientific-database-lookup、pubchem-compound-search—— 需要超出 TDC 收录范围的原始化合物/靶点数据时检索补充。 - combines_with：
deepchem-drug-discovery—— TDC 供标准数据与评测协议，DeepChem 供模型，组合成完整可复现的药物 ML 实验。 - combines_with：
cheminformatics-toolkit—— 在 TDC 数据上做特征工程与分子过滤。
本条采编自 K-Dense-AI/scientific-agent-skills（MIT）。