TDC

<p align="center"><img src="https://yellow-cdn.veclightyear.com/0a4dffa0/0944b48f-89ac-4a0d-b537-702909a57f72.png" alt="logo" width="600px" /></p>

---

网站 | Nature Chemical Biology 2022 论文 | NeurIPS 2021 论文 | 长篇论文 | Slack | TDC 邮件列表 | TDC 文档 | 贡献指南

人工智能正在重塑治疗科学。**治疗数据共享平台（Therapeutics Data Commons）**是一项协调倡议，旨在评估人工智能在各种治疗模式和发现阶段的能力，支持人工智能方法的开发，重点在于建立适用于药物发现应用的人工智能方法基础，并探究其原因。

来自各个学科的研究人员可以将TDC用于多种应用。TDC中的人工智能可解决的任务、人工智能就绪数据集和精选基准作为生物化学和人工智能科学家之间的交汇点。TDC促进了算法和科学的进步，加速了机器学习方法的开发、验证和向生物医学及临床实施的过渡。

TDC是一项开放科学倡议。我们欢迎社区的贡献。

TDC主要演讲和出版物

[1] Velez-Arce, Huang, Li, Lin等，TDC-2：治疗科学的多模态基础，bioRxiv，2024 [论文]

[2] Huang, Fu, Gao等，治疗科学的人工智能基础，Nature Chemical Biology，2022 [论文]

[3] Huang, Fu, Gao等，治疗数据共享平台：药物发现和开发的机器学习数据集和任务，NeurIPS 2021 [论文] [海报]

[4] Huang等，治疗数据共享平台中分子机器学习的基准测试，ELLIS ML4Molecules 2021 [论文] [幻灯片] [5] 黄等人，《治疗数据共享：药物发现和开发的机器学习数据集和任务》，Baylearn 2021 [幻灯片] [海报]

[6] 黄、傅、高等人，《治疗数据共享》，NSF-哈佛未来流行病药物研讨会2020 [#futuretx20] [幻灯片] [视频]

[7] TDC用户组会议，2022年1月 [议程]

[8] Zitnik，机器学习解读癌症基因组和表观基因组会议，美国癌症研究协会年会2022，2022年4月

[9] Zitnik，网络生物学的少样本学习，KDD生物信息学数据挖掘研讨会主题演讲

[10] Zitnik，药物发现和开发的可操作机器学习，布罗德研究所，模型、推理与算法研讨会，2021

[11] Zitnik，生物医学数据的图神经网络，计算生物学中的机器学习，2020

[12] Zitnik，识别COVID-19药物重新定位机会的图神经网络，MIT AI Cures，2020

TDC的独特特征

• 多样化的治疗开发领域：TDC涵盖广泛的学习任务，包括靶点发现、活性筛选、疗效、安全性和制造，涉及小分子、抗体和疫苗等生物医学产品。
• 即用型数据集：TDC对外部包的依赖性最小。任何TDC数据集只需3行代码即可获取。
• 数据功能：TDC提供广泛的数据功能，包括数据评估器、有意义的数据分割、数据处理器和分子生成预言机。
• 排行榜：TDC提供基准，用于公平的模型比较以及系统的模型开发和评估。
• 开源倡议：TDC是一项开源倡议。如果您想参与其中，请告诉我们。

<p align="center"><img src="https://yellow-cdn.veclightyear.com/0a4dffa0/cf725c88-b40f-49fa-9234-ee55d285768e.png" alt="概览" width="600px" /></p>

点击此处查看TDC的最新更新！

安装

使用pip

要安装TDC的核心环境依赖项，请使用pip：

pip install PyTDC

注意：TDC处于测试版发布阶段。请定期更新您的本地副本：

pip install PyTDC --upgrade

核心数据加载器对外部包的依赖性最小：

numpy, pandas, tqdm, scikit-learn, fuzzywuzzy, seaborn

对于需要额外依赖项的实用工具，TDC会打印安装说明。要安装完整的依赖项，请使用以下conda-forge解决方案。

使用conda

分子预言机、支架分割等数据功能需要某些包，如RDKit。要安装这些包，请使用以下conda安装：

conda install -c conda-forge pytdc

教程

我们提供了入门TDC的教程：

名称	描述
101	介绍 TDC 数据加载器
102	介绍 TDC 数据函数
103.1	详解 TDC 小分子数据集
103.2	详解 TDC 生物制剂数据集
104	用 15 行代码生成 21 个 ADME 机器学习预测器
105	分子生成评估器
106	基准测试提交演示
DGL	在 DGL GNN 用户组会议上展示的演示
U1.1	在首次 TDC 用户组会议上展示的演示
U1.2	在首次 TDC 用户组会议上展示的演示
201	TDC-2 资源和多模态单细胞 API
202	TDC-2 资源和 PrimeKG
203	TDC-2 资源和外部 API
204	TDC-2 模型中心

TDC 的设计

TDC 具有独特的三层级结构，据我们所知，这是首次尝试系统地组织用于治疗的机器学习。我们将 TDC 组织成三个不同的"问题"。对于每个问题，我们提供一系列"学习任务"。最后，对于每个任务，我们提供一系列"数据集"。

在第一层，通过观察大量治疗任务，我们将机器学习可以促进科学进展的三个主要领域（即问题）归类和抽象出来，即单实例预测、多实例预测和生成：

• 单实例预测 single_pred：预测给定单个生物医学实体的属性。
• 多实例预测 multi_pred：预测给定多个生物医学实体的属性。
• 生成 generation：生成新的理想生物医学实体。

<p align="center"><img src="https://yellow-cdn.veclightyear.com/0a4dffa0/d77bce40-050d-4b04-a1d8-c5d802df8cab.png" alt="problems" width="500px" /></p>

TDC 结构的第二层组织为学习任务。这些任务的改进可以带来许多应用，包括识别个性化组合疗法、设计新型抗体类别、改善疾病诊断以及为新兴疾病寻找新的治疗方法。

最后，在 TDC 的第三层，每个任务都通过多个数据集实例化。对于每个数据集，我们提供了将数据集分为训练集、验证集和测试集的多种划分方法，以模拟过渡到生产和临床实施所需的理解和泛化类型（例如，模型对全新化合物的泛化能力或对多重疗法的患者反应的细粒度解析）。

TDC 数据加载器

TDC 提供了一系列工作流程，具有直观、高级的 API，供初学者和专家在 Python 中创建机器学习模型。基于 TDC 中模块化的"问题 -- 学习任务 -- 数据集"结构（见上文），我们提供了一个三层 API 来访问任何学习任务和数据集。这种分层 API 设计使我们能够轻松地整合新的任务和数据集。

举个具体例子，要从单实例预测问题中的 ADME 治疗学习任务中获取 HIA 数据集：

from tdc.single_pred import ADME
data = ADME(name = 'HIA_Hou')
# 使用骨架分割方法将数据分为训练/验证/测试集
split = data.get_split(method = 'scaffold')
# 以各种格式获取整个数据
data.get_data(format = 'df')

你可以按以下方式查看属于某个任务的所有数据集：

from tdc.utils import retrieve_dataset_names
retrieve_dataset_names('ADME')

在 TDC 网站 上查看所有治疗任务和数据集！

TDC 数据函数

数据集划分

要获取训练/验证/测试数据集划分，你只需输入

data = X(name = Y)
data.get_split(seed = 42)
# {'train': df_train, 'val': df_val, 'test': df_test}

你可以在函数中指定划分方法、随机种子和划分比例，例如 data.get_split(method = 'scaffold', seed = 1, frac = [0.7, 0.1, 0.2])。查看网站上的 数据划分页面 了解详情。

模型评估策略

我们为 TDC 中的任务提供了各种评估指标，这些指标在网站的 模型评估页面 中有详细描述。例如，要使用 ROC-AUC 指标，你只需输入

from tdc import Evaluator
evaluator = Evaluator(name = 'ROC-AUC')
score = evaluator(y_true, y_pred)

数据处理

TDC提供了众多数据处理功能,包括标签转换、数据平衡、将数据对转换为PyG/DGL图、负采样、数据库查询等。有关功能用法,请参阅TDC网站上的数据处理页面。

分子生成预言机

对于分子生成任务,我们提供了10多个预言机,用于目标导向和分布学习。关于每个预言机的详细用法,请查看网站上的预言机页面。例如,我们想获取GSK3Beta预言机:

from tdc import Oracle
oracle = Oracle(name = 'GSK3B')
oracle(['CC(C)(C)....' 
  'C[C@@H]1....',
  'CCNC(=O)....', 
  'C[C@@H]1....'])

# [0.03, 0.02, 0.0, 0.1]

TDC排行榜

TDC中的每个数据集都是一个基准测试,我们为其提供训练/验证和测试集,以及数据分割和性能评估指标。要参与特定基准测试的排行榜,请遵循以下步骤:

• 使用TDC基准测试数据加载器检索基准测试。

• 使用训练和/或验证集来训练您的模型。

• 使用TDC模型评估器计算模型在测试集上的性能。

• 将测试集性能提交到TDC排行榜。

由于许多数据集共享治疗主题,我们将基准测试组织成有意义定义的组,我们称之为基准测试组。基准测试组内的数据集和任务经过精心策划,围绕一个主题(例如,TDC包含一个基准测试组,用于支持ADMET属性的机器学习预测)。虽然每个基准测试组由多个基准测试组成,但可以单独提交组内每个基准测试的结果。以下是访问基准测试的代码框架:

from tdc import BenchmarkGroup
group = BenchmarkGroup(name = 'ADMET_Group', path = 'data/')
predictions_list = []

for seed in [1, 2, 3, 4, 5]:
    benchmark = group.get('Caco2_Wang') 
    # 基准测试组中的所有基准测试名称存储在group.dataset_names中
    predictions = {}
    name = benchmark['name']
    train_val, test = benchmark['train_val'], benchmark['test']
    train, valid = group.get_train_valid_split(benchmark = name, split_type = 'default', seed = seed)
    
        # --------------------------------------------- # 
        #  使用train, valid, test训练您的模型            #
        #  将测试预测保存在y_pred_test变量中             #
        # --------------------------------------------- # 
        
    predictions[name] = y_pred_test
    predictions_list.append(predictions)

results = group.evaluate_many(predictions_list)
# {'caco2_wang': [6.328, 0.101]}

欲了解更多信息,请访问此处。

引用我们

如果您发现治疗数据共享平台有用,请引用我们的最新预印本、我们的NeurIPS论文和Nature Chemical Biology论文:

@article {Velez-Arce2024tdc,
	author = {Velez-Arce, Alejandro and Huang, Kexin and Li, Michelle and Lin, Xiang and Gao, Wenhao and Fu, Tianfan and Kellis, Manolis and Pentelute, Bradley L. and Zitnik, Marinka},
	title = {TDC-2: Multimodal Foundation for Therapeutic Science},
	elocation-id = {2024.06.12.598655},
	year = {2024},
	doi = {10.1101/2024.06.12.598655},
	publisher = {Cold Spring Harbor Laboratory},
	URL = {https://www.biorxiv.org/content/early/2024/06/21/2024.06.12.598655},
	eprint = {https://www.biorxiv.org/content/early/2024/06/21/2024.06.12.598655.full.pdf},
	journal = {bioRxiv}
}

@article{Huang2021tdc,
  title={Therapeutics Data Commons: Machine Learning Datasets and Tasks for Drug Discovery and Development},
  author={Huang, Kexin and Fu, Tianfan and Gao, Wenhao and Zhao, Yue and Roohani, Yusuf and Leskovec, Jure and Coley, 
          Connor W and Xiao, Cao and Sun, Jimeng and Zitnik, Marinka},
  journal={Proceedings of Neural Information Processing Systems, NeurIPS Datasets and Benchmarks},
  year={2021}
}

@article{Huang2022artificial,
  title={Artificial intelligence foundation for therapeutic science},
  author={Huang, Kexin and Fu, Tianfan and Gao, Wenhao and Zhao, Yue and Roohani, Yusuf and Leskovec, Jure and Coley, 
          Connor W and Xiao, Cao and Sun, Jimeng and Zitnik, Marinka},
  journal={Nature Chemical Biology},
  year={2022}
}

TDC建立在其他开源项目的基础之上。如果您在研究中使用了这些数据集/功能,也请引用原始工作。您可以在网站上找到该功能/数据集的原始论文。

贡献

TDC是一个社区驱动的开放科学计划。要参与其中，请加入我们的Slack工作空间并查看贡献指南！

联系方式

通过contact@tdcommons.ai联系我们或提交GitHub问题。

数据服务器

TDC托管在哈佛Dataverse上，持久标识符为https://doi.org/10.7910/DVN/21LKWG。当Dataverse处于维护状态时，无法检索TDC数据集。这种情况很少发生；请在Dataverse网站上查看状态。

许可证

TDC代码库采用MIT许可证。对于个别数据集的使用，请参考网站上的数据集许可证。