📚 课程目录第4章药物数据集介绍

4. 药物数据集介绍：MoleculeNet、Tox21、HIV、BACE 等

做药物数据分析，数据是根本。
我见过不少同学，GCN 模型调得再好，换了个数据集就崩了。
为什么？因为没吃透数据本身的脾性。
这一章，我就带你把这些常用数据集挨个捋一遍。

你想想看，GCN 输入的是图结构。
分子数据集里，每个分子就是一个图，原子是节点，化学键是边。
但不同数据集，图的大小、标签分布、任务类型差异很大。
选错数据集，轻则模型不收敛，重则结论全是错的。

我个人的习惯是：上手一个新数据集，先做三步：
查规模、看标签分布、算平均图大小。
这三步走完，心里就有底了。

4.1 MoleNet：药物图学习的基准平台

MoleculeNet 不是单个数据集，而是一个基准平台。
它由 DeepChem 团队维护，目标是统一药物图数据的评测标准。
里面集成了十几个子数据集，覆盖分类、回归、多任务等场景。

我个人习惯把它当作“药物图数据的 Imagenet ”。
你在上面跑通一个模型，基本就证明这个架构能处理分子图。

MoleculeNet 包含的常见子集（部分）

  
      子数据集
      任务类型
      分子数
      任务数
      典型应用
    

  
      ESOL
      回归
      1128
      1
      水溶性预测
    

      FreeSolv
      回归
      643
      1
      水合自由能
    

      Lipophilicity
      回归
      4200
      1
      脂水分配系数
    

      HIV
      分类
      41127
      1
      HIV 活性
    

      BACE
      分类
      1522
      1
      β-分泌酶抑制
    

      Tox21
      多任务分类
      8014
      12
      毒性预测
    

子数据集	任务类型	分子数	任务数	典型应用
ESOL	回归	1128	1	水溶性预测
FreeSolv	回归	643	1	水合自由能
Lipophilicity	回归	4200	1	脂水分配系数
HIV	分类	41127	1	HIV 活性
BACE	分类	1522	1	β-分泌酶抑制
Tox21	多任务分类	8014	12	毒性预测

注意看这个表。
不同数据集规模差了几十倍。
ESOL 只有 1128 个分子，HIV 却有 41127 个。
你如果用 GCN 跑 ESOL，模型稍微深一点就过拟合。
换到 HIV，又得担心欠拟合。

我的一点经验：选 MoleculeNet 子集时，先看你论文/项目的目标。
要发通用方法论文，用 HIV 或 Tox21，样本量大、任务难。
要做具体分子性质预测，用 ESOL 或 FreeSolv，专注回归任务。
这两个场景对 GCN 的要求完全不同。

4.2 Tox21：多任务毒性预测的金标准

Tox21 这个数据集，我印象很深。
它来自美国 Tox21 挑战赛，目标是预测 12 种不同毒性指标。
每个分子可能激活多种毒性通路，所以是个多标签分类问题。

为什么它是金标准？
第一，数据质量高，经过严格实验验证。
第二，标签分布极度不平衡——大多数分子是无毒的。

我曾经在一个毒性预测项目里，直接拿原始 Tox21 跑 GCN。
结果模型全预测成“无毒”，准确率 90% 多，但召回率是 0。
说白了，模型学到的就是“全部猜无毒”。
亏得我当时检查了混淆矩阵，不然就交了篇垃圾论文。

避坑指南：处理 Tox21 时，千万不要只看准确率。
一定要关注每个任务的 AUC、精确率、召回率。
我建议用加权交叉熵或 Focal Loss 来缓解类别不平衡。

Tox21 的图结构也有特点。
8014 个分子，平均原子数约 26，平均键数约 28。
这个规模对 GCN 比较友好，2-3 层图卷积就够了。
层数再深，容易过平滑，所有节点表征趋同。

加载 Tox21 的代码示例：

# 使用 DeepChem 加载 Tox21
import deepchem as dc

tasks, datasets, transformers = dc.molnet.load_tox21(
    featurizer='GraphConv',
    splitter='random',
    reload=False
)
train_dataset, valid_dataset, test_dataset = datasets

# 查看数据集信息
print(f"训练集分子数: {len(train_dataset)}")
print(f"任务数: {len(tasks)}")
print(f"任务名称: {tasks}")

这里我用了 GraphConv featurizer。
它会自动把 SMILES 转成图结构数据，节点特征包含原子类型、度数等。
你不需要自己写图构建代码，DeepChem 帮你做了。

4.3 HIV：大规模分子活性筛选

HIV 数据集来自 Drug Therapeutics Program (DTP) HIV 筛查。
它包含 41127 个分子，只有 1 个任务：判断是否抑制 HIV 复制。

这个数据集的难点在于：
活性分子只占 3.5% 左右。
剩余的 96.5% 都是非活性分子。

我记得第一次跑 HIV 时，模型 AUC 一直上不去。
后来发现，数据划分方式有问题——随机划分会把少量活性样本均匀分到各集。
但实际应用中，我们希望模型能泛化到全新的活性分子结构。
所以，我建议用 scaffold 划分，把结构相似的分子分在一起，模拟更真实的场景。

建议：在 HIV 上做实验时，
优先使用 scaffold_split 而不是 random_split。
这样才能评估模型对全新分子骨架的泛化能力。

HIV 的图平均大小约 40 个原子，对比 Tox21 大了一号。
这意味 GCN 需要更深的层数或者图池化策略来捕捉全局信息。

4.4 BACE：靶向药物设计的经典案例

BACE 数据集专注于 β-分泌酶 1 (BACE1) 抑制剂的活性预测。
BACE1 是阿尔茨海默病药物研发的重要靶点。
数据量不大，1522 个分子，但每个分子都有实验测定的 IC50 值。

我个人觉得，BACE 的价值在于它的“可解释性”需求高。
你预测出一个分子有活性，化学家会追问：哪个基团贡献最大？
这时候，GCN 的注意力机制或者梯度热力图就能派上用场。

我遇到过一个有意思的情况：
用 GCN 在 BACE 上训练完，模型在某些分子上预测很准。
分析模型内部表征后发现，它自动学到了 “磺酰胺基团” 对 BACE 抑制的重要性。
这正好和已知的化学知识吻合。
你看，GCN 不仅能预测，还能帮你挖掘分子机制。

BACE 的数据加载类似：

tasks, datasets, transformers = dc.molnet.load_bace(
    featurizer='GraphConv',
    splitter='scaffold'
)
train, valid, test = datasets
print(f"BACE 训练集: {len(train)} 分子")
print(f"BACE 测试集: {len(test)} 分子")

4.5 本章核心知识结构

下面这张图梳理了 MoleculeNet、Tox21、HIV、BACE 的关系和关键指标。
你可以把它当作选数据集时的速查表。

4.6 数据集选择的实用建议

我根据自己做项目的经验，总结了一个简单的选型逻辑：

练手/验证模型：用 ESOL 或 FreeSolv，数据小，跑得快
多任务学习：用 Tox21，12 个任务可以测试模型的多标签能力
大规模二分类：用 HIV，挑战类别不平衡
靶向药物设计：用 BACE，兼顾预测准确性和可解释性
综合评测：选 MoleculeNet 中的多个子集，做一个对比实验

注意：不同数据集的分割方式直接影响结果。
我建议你始终使用 scaffold split 作为默认划分。
无脑 random split 容易高估模型泛化能力，这在论文审稿时会被猛批。

嗯，数据集这部分就先讲到这。
你把这些背景信息吃透，后面跑 GCN 的时候就知道怎么调整模型结构了。