4. 常用ADMET数据集介绍：ClinTox、Tox21、SIDER、BACE、ESOL、FreeSolv等

做多任务ADMET预测，数据就是粮食。没有高质量的数据集，再牛的模型也只是空中楼阁。

我自己刚开始搞这个方向的时候，就被各种数据集搞得一头雾水。有的只给分类标签，有的给连续数值，有的样本量大但噪声多，有的样本少但标注精准。

今天我会结合我的项目经验，把最常用的几个ADMET数据集掰开揉碎讲清楚。你想想看，掌握了这些数据集的特性，后面搭建多任务模型时，你才能知道哪些任务能一起学，哪些任务得分开处理。

4.1 数据集概览对比

先给个总览表，方便你快速定位每个数据集的价值。

注意看，这里既有分类又有回归，样本量从六百到八千不等。我在最初搭建多任务模型时，常把ClinTox和BACE的毒性/活性任务组合在一起，因为样本量相近、标签密度也接近。

4.2 ClinTox —— 临床毒性把关

ClinTox数据集包含了约1,500个药物分子，提供了两个标签：FDA批准状态和临床试验毒性。说白了，它会告诉你这个药是获批上市了，还是在临床试验阶段因为毒性被干掉了。

我习惯把这个数据集当作毒性预测的"第一关"。为什么呢？因为它样本量不大，但标注相对干净，适合快速验证模型是否学到了基本的毒性判别能力。

不过要注意一点——数据存在严重的类别不平衡。大部分分子是"未批准"或"有毒性"的，正样本很少。我曾经踩过的坑就是直接拿原始分布去训练，结果模型学成了"全部预测为无毒"。

from rdkit import Chem
from rdkit.Chem import PandasTools
import pandas as pd

# 读取ClinTox数据（简化示例）
df = pd.read_csv('clintox.csv')
print(df.columns)  # ['smiles', 'FDA_APPROVED', 'CT_TOX']
print(df['FDA_APPROVED'].value_counts())
# 0: 未批准（Negative）  1: 已批准（Positive）
# 通常比例约 9:1

4.3 Tox21 —— 多任务毒性通路专家

Tox21是我个人在学术和工业项目中最常用的毒性数据集。它来自美国国土安全部和FDA的一个联合项目，包含了约8,000个化合物，覆盖12种不同的毒性通路（比如核受体激活、应激反应等）。

每个分子对每个通路都给出一个标签：1（有活性/毒性）、0（无活性）或用NaN表示未测试。这就自然形成了多任务二分类的结构。你想想看，这不就是多任务学习的天生试验场吗？

我做实验时，会同时预测所有12个任务。但要注意：不同通路之间正样本比例差异巨大，有的通路只有1%的阳性率，有的能达到10%。这会直接影响模型的梯度分配。

常用的拆分策略：

• 随机拆分：最简单，但不考虑分子骨架相似性，容易高估泛化能力。
• 骨架拆分：基于Murcko骨架做分组，保证训练集和测试集的骨架尽量不同。我推荐这种，更贴近真实应用场景。
• 时间拆分：如果数据包含时间戳，可以用早期化合物做训练、晚期做测试，模拟进筛选流程。

4.4 SIDER —— 药物副作用地图

SIDER数据集收录了1,400多种药物及其对应的586种不良反应。数据是从药品说明书和临床文献中整理出来的。每个药物-不良反应对都用一定证据级别标注（比如III期临床试验数据、上市后报告等）。

这个数据集特点非常鲜明：

• 标签矩阵极度稀疏——一个药物平均只关联几十种副作用，其余都是负样本。
• 副作用之间存在层级关系（例如"心脏病"下属有"心肌梗死"、"心力衰竭"等）——直接做多标签预测时，可以利用这种结构信息。

4.5 BACE —— 靶点活性预测

BACE数据集专门针对β-分泌酶（BACE-1）抑制剂，这是一个重要的阿尔茨海默症药物靶点。约1,500个分子，每个分子标注为"有活性"或"无活性"，还附带IC50（半数抑制浓度）的测量值。

我习惯用BACE来测试模型对靶点特异性活性的区分能力。因为它的化学空间相对集中（都是围绕同一靶点设计的类似物），所以能很好地检验模型是否能捕捉到这种细微的构效关系。

这里有个有意思的点：BACE的活性阈值通常设为pIC50 > 5为活性。不过我在复现一些论文时发现，不同论文选择阈值略有差异（有的用4.5，有的用5.5），会影响最终模型效果。建议大家做对比实验时统一标准。

# BACE标签的pIC50分布（示例）
import numpy as np
pics = np.random.normal(5.0, 1.0, 1513)  # 类似真实分布
threshold = 5.0
labels = (pics >= threshold).astype(int)
print(f"活性分子数: {labels.sum()}, 占比: {labels.mean():.2%}")

4.6 ESOL 和 FreeSolv —— 物理化学性质回归

这两个数据集是回归任务的代表，和前面几个分类任务形成了互补。

ESOL（水溶解度估算数据集）包含约1,100个分子，标签是LogS（以mol/L为单位的溶解度对数）。样本量不大，但覆盖范围较广，从极难溶到极易溶都有。我通常用它来评估模型的连续值预测精度，尤其是与物理化学相关的回归任务。

FreeSolv（水合自由能数据集）更小，只有约640个分子，但标签计算非常精确（来自量子力学计算或高精度力场）。它的标签是水合自由能ΔGhyd（kcal/mol）。

4.7 数据集使用的一般原则与工具

聊了这么多具体数据集，我来总结几条我在项目中反复验证的原则：

1. 多任务选择要遵循"任务相干性"。比如毒性预测（ClinTox、Tox21）和靶点活性预测（BACE）相关性较低，但两个毒性任务之间相关性较高。我习惯先计算任务标签之间的互信息，再决定是否联合训练。
2. 样本量差异大时考虑加权。如果一个数据集有8,000样本，另一个只有600，那么在mini-batch抽样时，后者可能几个epoch才能见到一次。我会对少样本数据集做上采样，或者在loss里加权。
3. 不要直接拼合SMILES不做清洗。不同数据集可能使用不同的盐形式、电荷表示、立体化学标记。我在做多数据联合之前，会用rdkit.Chem.MolFromSmiles做标准化，清除盐，统一中性分子。
4. 用ChemBERTa等预训练模型时注意Tokenizer差异。有些Tokenizer对括号和数字敏感，直接拼接不同数据集可能导致tokenization不一致。

# 数据标准化示例
from rdkit import Chem
def standardize(smiles):
    try:
        mol = Chem.MolFromSmiles(smiles)
        if mol is None:
            return None
        # 移除盐和水
        mol = Chem.RemoveHs(mol)
        # 返回规范SMILES
        return Chem.MolToSmiles(mol, isomericSmiles=False)
    except:
        return None

# 对数据集统一处理
df['clean_smiles'] = df['smiles'].apply(standardize)
df = df.dropna(subset=['clean_smiles'])

4.8 本章知识结构图

下面我画了一张图，把六个数据集的核心特征、任务类型和常见陷阱串起来，方便你对照记忆。

import deepchem as dc

# 加载ClinTox
clin_tox_loader = dc.molnet.load_clintox()
tasks, datasets, transformers = clin_tox_loader
train, valid, test = datasets

# 加载Tox21
tox21_loader = dc.molnet.load_tox21()
# 同样返回 tasks, datasets, transformers