MoleculeNet 到底是什么？

说真的，当你真正开始用机器学习做分子性质预测时，第一个问题往往不是什么模型更厉害，而是：数据从哪来？

我自己就踩过这个坑。早年做化学信息学项目时，数据东拼西凑，格式五花八门，光清洗就花了我两周。后来遇到了 MoleculeNet，才算是找到了“组织”。

MoleculeNet 诞生于 DeepChem 项目，由普林斯顿大学团队维护。它不是什么单一数据集，而是一个 数据集集合。说白了，就是一群搞计算化学和机器学习的专家，把散落在各处的分子数据统一收编，还帮你做了标准化处理。

它的目标是啥？就一个：让你能专心搞模型，别再花时间折腾数据格式。

它从哪来？谁在管？

MoleculeNet 的数据来源很广。小到几百个分子的实验测定，大到上千万个分子的虚拟筛选库，都有收录。你可以把它理解成一个数据集的“集市”，每个摊位卖的东西不一样，但包装规格统一。

我个人习惯把它按数据来源分成几类：

• 实验测量数据：比如从 PubChem、ChEMBL 这些公共数据库里扒下来的实测性质。
• 计算结果数据：用量子化学、分子动力学算出来的理论值。我记得最开始我还不大信任这类数据，后来发现只要方法靠谱，算出来的比测的还准。
• 人工标注数据：一些药物化学专家根据经验给出的分类标签，比如“这个分子有毒”。

项目现在由 DeepChem 社区持续维护。版本更新很快，我建议你直接关注 GitHub 上的 deepchem/deepchem 仓库。

核心子数据集一览

MoleculeNet 包含了二十多个子数据集。每个都有不同的任务目标。我把常用的几个列在下面，你以后做项目时可以直接对号入座：

常见任务类型

从上面表格就能看出来，MoleculeNet 里的任务主要分两派：

• 回归任务：预测连续数值。比如溶解度、能垒、结合能。这类问题基本上就是拟合一个函数，用均方误差（MSE）或决定系数（R²）来评估。
• 分类任务：判定分子有没有某种性质。有毒没毒、活性高低、能不能透过血脑屏障。评估用 ROC-AUC 或 F1 分数比较稳妥。

为什么会这么分类？你想想看，药物研发里，有的是要精确数值（'这个分子的logP是多少'），有的只要一个定性判断（'这个分子会不会导致肝毒性'）。两种任务的处理思路完全不同。

我实际做的过程中就发现，像 logP 这样的回归问题，单纯用分子指纹喂给随机森林就能拿到不错的结果；但到了 hERG 抑制这种分类问题，概率模型几乎一定会预测为中性，你需要从数据配比或者分子图结构上想办法。

一段代码快速上手

下面是我当时用 MoleculeNet 的第一个例子。这段代码会加载 ESOL 数据集，并显示基本的统计信息：

import deepchem as dc
from deepchem.utils import load_simple_data

# 加载 ESOL 数据集
tasks, datasets, transformers = dc.molnet.load_esol()
train_dataset, valid_dataset, test_dataset = datasets

# 看一眼数据长什么样
print(f'任务名: {tasks}')
print(f'训练集样本数: {len(train_dataset)}')
print(f'验证集样本数: {len(valid_dataset)}')
print(f'测试集样本数: {len(test_dataset)}')

# 看看第一条数据
first_mol = train_dataset.X[0]
first_label = train_dataset.y[0]
print(f'第一个分子的 SMILES: {first_mol}')
print(f'对应溶解度 (log mol/L): {first_label}')

嗯，这里要注意一点。MoleculeNet 的返回结构是 (tasks, datasets, transformers)，而不是很多人以为的 (X, y)。我第一次用的时候就踩了这个坑，加载之后直接拿 datasets 当 X 用，结果报了一堆类型错误。

MoleculeNet 的独特之处

你可能会问：网上公开的化学数据集那么多，干嘛非得用 MoleculeNet？

我总结了几点：

1. 统一：所有子数据集都转成了 DeepChem 的 Dataset 对象。不需要你自己写 parser。
2. 权威：每一个子数据集都来自公认的文献或公共数据库，质量有保障。
3. 公平比较：它提供了固定的训练/验证/测试划分。你跑出来的结果，可以直接跟别的论文对比。

我印象很深的一件事是，有一次我把自己的模型结果跟某篇顶会论文对比，发现对方划分数据集时用了随机拆分。而我用 MoleculeNet 的官方划分——那个论文的模型直接就过拟合了。所以你想想看，统一的基准有多重要。

一张图看懂体系

下面这张 SVG 图把 MoleculeNet 的整体结构画了出来。你一看就明白了：