# PyTDC（治疗数据共享） ## 概述 PyTDC 是一个开放科学平台，为药物发现和开发提供人工智能就绪的数据集和基准。访问涵盖整个治疗流程的精选数据集，包括标准化评估指标和有意义的数据分割，这些数据集分为三类：单实例预测（分子/蛋白质特性）、多实例预测（药物-靶标相互作用，DDI）和生成（分子生成、逆合成）。 ## 何时使用此技能该技能应该在以下情况下使用： * 使用药物发现或治疗性机器学习数据集 * 在标准化制药任务上对机器学习模型进行基准测试 * 预测分子特性（ADME、毒性、生物活性） * 预测药物-靶点或药物-药物相互作用 * 生成具有所需特性的新型分子 * 通过适当的训练/测试分割（支架、冷分割）访问精选数据集 * 使用分子预言进行性能优化 ## 安装和设置使用 pip 安装 PyTDC： uv pip 安装 PyTDC 要升级到最新版本： uv pip 安装 PyTDC --升级核心依赖项（自动安装）： * numpy、pandas、tqdm、seaborn、scikit_learn、fuzzywuzzy 根据特定功能的需要，会自动安装其他软件包。 ## 快速入门访问任何 TDC 数据集的基本模式都遵循以下结构：从 tdc.<问题> 导入 <任务> 数据 = <任务>(名称='<数据集>') split = data.get_split(方法='支架', 种子=1, frac=[0.7, 0.1, 0.2]) df = data.get_data(format='df') 其中： * `<问题>`：`single_pred`、`multi_pred` 或 ` Generation` 之一 * ``：特定任务类别（例如 ADME、DTI、MolGen） * ``：该任务中的数据集名称 **示例 - 加载 ADME 数据：** 从 tdc.single_pred 导入 ADME 数据 = ADME(名称='Caco2_Wang') split = data.get_split(method='支架') # 返回带有“train”、“valid”、“test”DataFrame 的字典 ## 单实例预测任务单实例预测涉及预测单个生物医学实体（分子、蛋白质等）的特性。 ### 可用任务类别 #### 1\. ADME（吸收、分布、代谢、排泄）预测药物分子的药代动力学特性。从 tdc.single_pred 导入 ADME data = ADME(name='Caco2_Wang') # 肠道通透性 # 其他数据集：HIA_Hou、Bioavailability_Ma、Lipophilicity_AstraZeneca 等。 **常见 ADME 数据集：** * Caco2 - 肠道渗透性 * HIA——人体肠道吸收 * 生物利用度 - 口服生物利用度 * 亲油性——辛醇-水分配系数 * 溶解度 - 水溶性 * BBB - 血脑屏障穿透 * CYP - 细胞色素 P450 代谢 #### 2\.毒性（Tox）预测化合物的毒性和副作用。从 tdc.single_pred 导入 Tox data = Tox(name='hERG') # 心脏毒性 # 其他数据集：AMES、DILI、Carcinogens_Lagunin 等。 **常见毒性数据集：** * hERG - 心脏毒性 * AMES - 致突变性 * DILI - 药物性肝损伤 * 致癌物-致癌性 * ClinTox - 临床试验毒性 #### 3\. HTS（高通量筛选）根据筛选数据预测生物活性。从 tdc.single_pred 导入 HTS 数据= HTS（名称='SARSCoV2_Vitro_Touret'） #### 4\. QM（量子力学）分子的量子力学性质。从 tdc.single_pred 导入 QM 数据 = QM(名称='QM7') #### 5\.其他单一预测任务 * **产量**：化学反应产量预测 * **表位**：生物制剂的表位预测 * **开发**：开发阶段预测 * **CRISPROutcome** ：基因编辑结果预测 ### 数据格式单个预测数据集通常返回带有列的 DataFrame： * `Drug_ID` 或 `Compound_ID`：唯一标识符 * `Drug` 或 `X`: SMILES 字符串或分子表示 * `Y`：目标标签（连续或二进制） ## 多实例预测任务多实例预测涉及预测多个生物医学实体之间相互作用的属性。 ### 可用任务类别 #### 1\. DTI（药物-靶标相互作用）预测药物和蛋白质靶标之间的结合亲和力。从 tdc.multi_pred 导入 DTI 数据 = DTI(名称='BindingDB_Kd') 分割 = data.get_split() **可用数据集：** * BindingDB_Kd - 解离常数（52,284 对） * BindingDB_IC50 - 半最大抑制浓度（991,486 对） * BindingDB_Ki - 抑制常数（375,032 对） * DAVIS、KIBA - 激酶结合数据集 **数据格式：** Drug_ID、Target_ID、Drug (SMILES)、Target（序列）、Y（结合亲和力） #### 2\. DDI（药物间相互作用）预测药物对之间的相互作用。从 tdc.multi_pred 导入 DDI 数据 = DDI(名称='药物银行') 分割 = data.get_split() 预测交互类型的多类分类任务。数据集包含 191,808 个 DDI 对和 1,706 种药物。 #### 3\. PPI（蛋白质-蛋白质相互作用）预测蛋白质-蛋白质相互作用。从 tdc.multi_pred 导入 PPI 数据 = PPI(名称='HuRI') #### 4\.其他多重预测任务 * **GDA**：基因-疾病关联 * **DrugRes** ：耐药性预测 * **DrugSyn** ：药物协同作用预测 * **肽MHC** ：肽-MHC 结合 * **AntibodyAff** ：抗体亲和力预测 * **MTI**：miRNA-靶标相互作用 * **催化剂**：催化剂预测 * **TrialOutcome** ：临床试验结果预测 ## 生成任务生成任务涉及创建具有所需特性的新型生物医学实体。 ### 1\.分子发生（MolGen）生成具有所需化学性质的多样化新颖分子。从 tdc. Generation 导入 MolGen 数据 = MolGen(名称='ChEMBL_V29') 分割 = data.get_split() 与预言机一起使用以优化特定属性：从 tdc 导入 Oracle 甲骨文=甲骨文（名称='GSK3B'） Score = oracle('CC(C)Cc1ccc(cc1)C(C)C(O)=O') # 评估 SMILES 有关所有可用的 Oracle 函数，请参阅“references/oracles.md”。 ### 2\.逆合成（RetroSyn）预测合成目标分子所需的反应物。从 tdc. Generation 导入 RetroSyn 数据 = RetroSyn(名称='USPTO') 分割 = data.get_split() 数据集包含来自 USPTO 数据库的 1,939,253 个反应。 ### 3\.配对分子生成生成分子对（例如前药-药物对）。从 tdc. Generation 导入 PairMolGen 数据 = PairMolGen(name='Prodrug') 有关详细的 oracle 文档和分子生成工作流程，请参阅“references/oracles.md”和“scripts/molecular_ Generation.py”。 ## 基准组基准组为系统模型评估提供相关数据集的精选集合。 ### ADMET 基准组从 tdc.benchmark_group 导入 admet_group 组 = admet_group(路径='数据/') # 获取基准数据集基准 = group.get('Caco2_Wang') 预测 = {} 对于 [1, 2, 3, 4, 5] 中的种子：训练，有效=基准['训练']，基准['有效'] # 在这里训练模型预测[种子] = model.predict(基准['测试']) # 使用所需的 5 个种子进行评估结果 = group.evaluate(预测) **ADMET Group 包括 22 个数据集**，涵盖吸收、分布、代谢、排泄和毒性。 ### 其他基准组可用的基准组包括以下集合： * ADMET 属性 * 药物-靶点相互作用 * 药物组合预测 * 以及更专业的治疗任务有关基准评估工作流程，请参阅“scripts/benchmark_evaluation.py”。 ## 数据函数 TDC 提供全面的数据处理实用程序，分为四类。 ### 1\.数据集分割使用各种策略检索训练/验证/测试分区： # 脚手架分割（大多数任务的默认值） split = data.get_split(方法='支架', 种子=1, frac=[0.7, 0.1, 0.2]) # 随机分割 split = data.get_split(方法='随机', 种子=42, frac=[0.8, 0.1, 0.1]) # 冷分割（用于 DTI/DDI 任务） split = data.get_split(method='cold_drug', seeds=1) # 测试中未见的药物 split = data.get_split(method='cold_target', seed=1) # 测试中未见的目标 **可用的分割策略：** * `random`: 随机洗牌 * `scaffold`：基于支架（用于化学多样性） * `cold_drug`、`cold_target`、`cold_drug_target`：用于 DTI 任务 * `temporal`：时态数据集基于时间的分割 ### 2\.模型评估使用标准化指标进行评估：来自 tdc 导入评估器 # 对于二元分类评估者=评估者（名称='ROC-AUC'）分数 = 评估器(y_true, y_pred) # 用于回归评估者=评估者（名称='RMSE'）分数 = 评估器(y_true, y_pred) **可用指标：** ROC-AUC、PR-AUC、F1、准确度、RMSE、MAE、R2、Spearman、Pearson 等。 ### 3\.数据处理 TDC 提供 11 个关键处理实用程序：从 tdc.chem_utils 导入 MolConvert # 分子格式转换转换器 = MolConvert(src='SMILES', dst='PyG') pyg_graph =转换器('CC(C)Cc1ccc(cc1)C(C)C(O)=O') **处理实用程序包括：** * 分子格式转换（SMILES、SELFIES、PyG、DGL、ECFP等） * 分子过滤器（PAINS、药物相似性） * 标签二值化和单位转换 * 数据平衡（过采样/欠采样） * 对数据的负采样 * 图变换 * 实体检索（CID 到 SMILES、UniProt 到序列）有关全面的实用程序文档，请参阅“references/utilities.md”。 ### 4\.分子生成预言 TDC 提供 17 多个用于分子优化的预言函数：从 tdc 导入 Oracle # 单一预言机甲骨文=甲骨文（名称='DRD2'）分数 = oracle('CC(C)Cc1ccc(cc1)C(C)C(O)=O') # 多个预言机甲骨文=甲骨文（名称='JNK3'）分数 = oracle(['SMILES1', 'SMILES2', 'SMILES3']) 有关完整的 Oracle 文档，请参阅“references/oracles.md”。 ## 高级功能 ### 检索可用数据集从 tdc.utils 导入retrieve_dataset_names # 获取所有ADME数据集 adme_datasets =retrieve_dataset_names('ADME') # 获取所有DTI数据集 dti_datasets =retrieve_dataset_names('DTI') ### 标签转换 # 获取标签映射 label_map = data.get_label_map(name='DrugBank') # 转换标签从 tdc.chem_utils 导入 label_transform 变换 = label_transform(y, from_unit='nM', to_unit='p') ### 数据库查询从 tdc.utils 导入 cid2smiles、uniprot2seq # 将 PubChem CID 转换为 SMILES 微笑= cid2smiles(2244) # 将 UniProt ID 转换为氨基酸序列序列 = uniprot2seq('P12345') ## 常见工作流程 ### 工作流程 1：训练单个预测模型有关完整示例，请参阅“scripts/load_and_split_data.py”：从 tdc.single_pred 导入 ADME 来自 tdc 导入评估器 # 加载数据数据 = ADME(名称='Caco2_Wang') split = data.get_split(方法='支架',seed=42) 训练、有效、测试 = split['train']、split['valid']、split['test'] # 训练模型（用户实现） # model.fit(train['Drug'], train['Y']) # 评估评估者=评估者（名称='MAE'） # 分数 = evaluator(测试['Y'], 预测) ### 工作流程 2：基准评估有关具有多个种子和正确评估协议的完整示例，请参阅“scripts/benchmark_evaluation.py”。 ### 工作流程 3：使用 Oracle 进行分子生成有关使用 oracle 函数进行目标定向生成的示例，请参阅“scripts/molecular_ Generation.py”。 ## 资源此技能包括常见 TDC 工作流程的捆绑资源： ### 脚本/ * `load_and_split_data.py`：用于使用各种策略加载和分割 TDC 数据集的模板 * `benchmark_evaluation.py`：使用适当的 5 种子协议运行基准组评估的模板 * `molecular_ Generation.py`：使用oracle函数进行分子生成的模板 ###参考资料/ * `datasets.md`：按任务类型组织的所有可用数据集的综合目录 * `oracles.md`：所有 17+ 分子生成预言机的完整文档 * `utilities.md`：数据处理、分割和评估实用程序的详细指南 ## 其他资源 * **官方网站**： * **文档**： * **GitHub**： * **论文**：NeurIPS 2021 - “治疗数据共享：药物发现和开发的机器学习数据集和任务”

问题dc

包含技能