引言
由美國多所著名大學(哈佛大學，喬治亞理工大學，麻省理工學院，卡耐基梅隆大學，斯坦福大學，伊利諾伊大學厄巴納 – 香檳分校)的研究人員，與醫療數據公司 IQVIA 合作，發布了醫療領域內首個面向療法的統一機器學習開源框架 ——Therapeutics Data Commons (TDC)。
簡介
Therapeutics Data Commons (TDC) 是第一個系統地整合和評估生物醫學領域的機器學習框架。目前包含了20多個任務，和70多個高質量數據集。機器學習在生物醫學方面的應用是一個十分令人興奮的領域，前景廣闊。TDC中的數據集、學習任務和基準的收集是領域和機器學習科學家的一個會議點。TDC可以大大加快機器學習模型的開發、驗證以及向臨床轉變。
圖1.?TDC的數據集
圖片來源于TDC官網 (https://tdcommons.ai/start/)
數據集
TDC的核心是收集與整理機器學習任務及其相關數據集，這些數據集包含各個領域。任務和數據集具有以下特點：
(1)?包含領域廣：TDC涵蓋了從濕實驗生物靶點識別到生物醫學產品制造的各種學習任務。
(2)與時俱進的學習任務和數據集：TDC定期更新，以添加新的數據集和學習任務，例如抗體治療和基因編輯。
(3)?對機器學習良好的支持：在每個數據集中，TDC都提供了生物實體信息的豐富展示。特征信息是經過精心處理的。
TDC中的學習任務
TDC學習任務涵蓋一系列治療產品和管道。它跨越了小分子和生物制劑(抗體、肽、小RNA等)。此外，這些任務對應的藥物研發管道如下：
(1)?靶點發現管道：旨在確定候選的藥物靶點。
(2)?活性建模管道：旨在篩選，產生，或者從頭開始設計單獨的或者組合的候選藥物。
(3)?有效性和安全性管道：旨在優化hits的特性，以便藥物能夠安全地有效地到達作用部位。
(4)?制造管道：目的在于合成。
圖2. TDC中的學習任務
圖片來源于TDC官網 (https://tdcommons.ai/start/)
TDC 功能
TDC實現了生物醫學中機器學習方面常用的功能，可以方便，簡單的進行使用。大體上，可以分為以下四大類：
(1)?模型評估：TDC包括一系列的度量函數，用于評估生物醫學ML任務中的模型，以便模型可以應用到真實場景中。
(2)?數據分割：TDC包括各種數據分割?(data splits) 方案，以提高泛化能力。
(3)?數據處理：由于生物醫學機器學習領域有很多復雜的數據，并包含了許多可以重復使用的函數，所以，TDC提供了方便使用的封裝。
(4)?預測機?(Molecule Generation Oracles)：分子設計任務需要預測函數?(oracle functions) 來度量生成分子的質量。迄今為止，TDC提供了17個預測機，每一個預測機都是為特定的目標制作的。
圖3. TDC的功能
圖片來源于TDC官網 (https://tdcommons.ai/start/)
安裝以及使用
安裝
可以直接使用pip進行安裝
pip install PyTDC
使用
(1)?導入數據集
In [12]: from tdc.single_pred import ADME: data = ADME(name = 'Caco2_Wang'): df = data.get_data(): splits = data.get_split()Downloading...82.5k/82.5k [00:00<00:00, 166kiB/s]Loading...Done!# 數據將會以dataframe形式儲存In [13]: df:Drug_ID ... Y0 (-)-epicatechin ... -6.2200001 (2E,4Z,8Z)-N-isobutyldodeca-2,4,10-triene-8 -y... ... -3.8600002? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?codeine? ... -4.090000???3? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?creatinine ... -5.9354094? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? danazol ... -4.840000... ... ...905? ? ? ? ? ? ? ? ? ? ?Capric acid (decanoic acid) ... -4.680000906? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?Apometzgerin (2) ... -4.950000907? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 3 ... -5.080000908? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 51d ... -5.300000909? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? Cycloheximide ... -4.840000rows x 3 columns]# 而split則提供分割好的train以及testIn [14]: splits::? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? Drug_ID ... Y0? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?(-)-epicatechin ... -6.221? ? ? (2E,4Z,8Z)-N-isobutyldodeca-2,4,10-triene-8 -y... ... -3.862? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? codeine ... -4.093? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? danazol ... -4.844? ? ? ? ? ? ? ? ? ? ? dexamethasone b D glucuronide ... -6.12... ... ...632? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?13h ... -5.36633? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?(Z)-19f ... -5.32634? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? Ac-C8-Enk-NH (3) ... -5.97635? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? Apometzgerin (2) ... -4.95636? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?Cycloheximide ... -4.84rows x 3 columns],:? ? ? ? ? ? ? ? ? ? ?Drug_ID ...? ? ? ? ? Y0? ? ? ? ? ? ? Raloxifene HCl ... -5.7227541? ? ? ? ? ? ? ? ? ? ? ? ? 13 ... -4.6994852? ? ? ? ? ? ? ? ? ? ? ? ? ?5 ... -5.6479243? ? ? ? ? ? ? ? ? ? ? ? ? ?- ... -5.1900004? ? ? ? ? ? ? ? ? ? ? ? ? 4b ... -6.000000... ... ...86? ? ? ? ? ? ? ? ? ?atropine ... -4.70000087? ? ? ? ? ? ? ? ? Guanabenz ... -4.33000088? ? ? ? ? ? ? ? ? ? ? ? ? 4 ... -4.95860789? ?20(S)-camptothecin (CPT) ... -4.33184990? ? ? ? ? ? ?hexapeptide 07 ... -5.820000rows x 3 columns],:? ? ? ? ? ? ? ?Drug_ID ... Y0? ? ? ? ? ? ? ? ? ? ? ? ? ?D ... -5.4890581? ? ? ? ? ? ? ? ? ?Angelol-B ... -4.8499292? ? ? ? ? ? ? ? ? ? ?Flavone ... -3.9201083? ? ? ? ? ? ? ? ? ?enalapril ... -5.6720004? ? ? ? ? ? ? ? Furazolidone ... -4.990000? ? ? ? ? ? ? ? ? ? ? ? ... ... …177? ? ? ? ? ? ? ? ? ? ? ? 22 ... -5.229574178? ? ? ? ? ? ? ? ? ? ? ? 21 ... -5.000000179? ? ? ? ? ? ? ? ? ? ?PB-27 ... -5.797940180? ? ? ? ? ? ? ? ?Gefitinib ... -4.480000181? ? 5-chlorosalicylic acid ... -4.98000rows x 3 columns]}
(2)?預測機
例：Synthetic Accessibility (SA) 合成可及性分析
合成可及性分數代表合成一個分子合成方面的難易程度。TDC中的預測機是通過RDKit計算的。
In [4]: from tdc import Oracle
...: oracle = Oracle(name = 'SA')
...: oracle(['CC(C)(C)[C@H]1CCc2c(sc(NC(=O)COc3ccc(Cl)cc3)c2C(N)=O)C1',
...: 'CCNC(=O)c1ccc(NC(=O)N2CC[C@H](C)[C@H](O)C2)c(C)c1',
...: 'C[C@@H]1CCN(C(=O)CCCc2ccccc2)C[C@@H]1O'])
...: # [2.706977149048555, 2.8548373344538067, 2.659973244931228]
Downloading Oracle...
100%|█████████████████████████████████████| 9.05M/9.05M [00:05<00:00, 1.55MiB/s]Done!
Out[4]: [2.706977149048555, 2.8548373344538067, 2.659973244931228]
總結
TDC的優勢在與其集中了生物醫學方面的數據集，包含了各個管線，從靶點預測到ADMET分析，其同樣也提供了一些簡單的方便使用的函數用于進行數據處理，模型度量等等。同時，其預測機集成了了一些作者認為比較重要的度量分子的指標，這使的用戶可以簡單的輸入SMILES便可以拿到想要的輸出。
官方網站
https://tdcommons.ai/start/
工具下載
https://tdcommons.ai/start/
參考文獻
Kexin Huang, Tianfan Fu, Wenhao Gao, Yue Zhao, Yusuf Roohani, Jure Leskovec, Connor W. Coley, Cao Xiao, Jimeng Sun, Marinka Zitnik, Therapeutics Data Commons: Machine Learning Datasets and Tasks for Therapeutics, 2021, preprint.