本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯(lián)系出處。

 AlphaFold2出世、強力抗生素Halicin的預測……

機器學習，已經在生物醫(yī)藥這一大領域貢獻了不少成果。

然而，這一領域，此前甚至還沒有大規(guī)模的機器學習數(shù)據(jù)集？

無論是查找、處理數(shù)據(jù)，還是驗證模型效果，之前的研究，都只能在幾個小型數(shù)據(jù)集、或是已經被反復研究的幾個任務上進行。

這極大地降低了ML在生物醫(yī)藥領域的應用進展。

為此，一群來自哈佛、MIT、斯坦福等機構的研究人員，開發(fā)出了第一個ML領域的生物醫(yī)藥大型數(shù)據(jù)集TDC，還附帶最新的模型評估方法。

這是個什么樣的數(shù)據(jù)集？

TDC（Therapeutics Data Commons）數(shù)據(jù)集有三大特點：開源、大型、3行代碼搞定。

這一開源數(shù)據(jù)集，包含20+有意義的任務，和70多個高質量數(shù)據(jù)集。

涉及的范圍也非常廣，包含生物醫(yī)藥的各種研究方向，如靶蛋白發(fā)現(xiàn)、藥物動力學、安全性和藥物生產等。研究目標也不局限于小分子，還包括抗體、疫苗、miRNA等。

使用起來也非常簡便，只需要3行代碼，就能獲得ML-ready數(shù)據(jù)、使用TDC里面的各種功能。

TDC解決問題的3層架構

生物醫(yī)藥領域涵蓋各種任務，每個任務都需要不同的數(shù)據(jù)結構來進行處理。

為此，TDC提出了一個三層式階級架構Central Dogma （中心法則）。

第一層，模型要解決哪類問題？

• 單實例預測（Single-instance prediction）: 預測單個實體（比如分子，蛋白）的某些性質。
• 多實例預測（Multi-instance prediction）: 預測多個實體之間的某些性質（比如反應類型）
• 生成（Generation）: 已知一系列的實體，生成新的擁有某些性質的實體（比如優(yōu)化后的分子）

 第二層，模型要學習什么樣的任務？

從生物醫(yī)藥角度來定義，任務包括設計新的抗體、識別個性化的組合療法、改善疾病診斷、尋找治療新疾病的方法。

第三層，模型用什么數(shù)據(jù)集來訓練？

根據(jù)任務類型，從TDC已有的數(shù)據(jù)集中挑選數(shù)據(jù)，用于訓練模型。

根據(jù)這三層架構，就能非常輕松地找到需要用的數(shù)據(jù)集。

例如，想要檢索Z類問題中的學習任務Y，Y中需要用到數(shù)據(jù)集X，只需要三行代碼就能找到需要的結果。

TDC的數(shù)據(jù)集長啥樣

TDC所包含的數(shù)據(jù)集和任務，大多是沒有用機器學習進行過系統(tǒng)研究、但又極具潛力的應用方向。

例如，ADMET性質預測。其中，ADMET包含一系列藥物指標，用于評估某種藥物分子在口服后，能否安全有效地到達指定靶點。

此前，已有部分研究機構進行過ADMET預測，但都基于非公開數(shù)據(jù)。

TDC從各種小數(shù)據(jù)庫、期刊等公開資料中，收集整理了20多個藥廠目前在用的重要指標，并將所有數(shù)據(jù)進行了開源。準確預測這些指標，可以幫助藥企節(jié)省大量資源。

又例如，對藥物進行精準組合。

同種藥物，在不同個體間會產生不同影響，尤其是腫瘤方向的藥物。如果用機器學習，就能預測藥物在各種基因表達下的效果，目前TDC也已經包含了這樣的數(shù)據(jù)集。

此外，多藥物分子組合，往往比單藥物分子效果更好（drug synergy），如果能預測出兩個藥物分子的組合效應，能節(jié)省大量新藥研發(fā)的時間，TDC也已經處理了這樣的數(shù)據(jù)集。

還有生物藥（Biologics）方向的任務。

近幾年來，機器學習在小分子上已有許多應用，但在大分子生物藥上的應用不多。

TDC也包含了6個生物藥方面的任務，包括抗體和抗原的親和力預測、多肽和MHC的親和力預測、miRNA和靶點的反應預測等。

TDC的數(shù)據(jù)處理函數(shù)

除了核心數(shù)據(jù)集以外，TDC還能進行簡單的數(shù)據(jù)處理，主要包括以下四點：

 

• 模型評估：TDC提供了一個評估函數(shù)。只需3行代碼，就能評估TDC中的任務。
• 數(shù)據(jù)分割：TDC提供了一些訓練和測試集的分割方法，用于模擬實際生物醫(yī)藥場景，如scaffold split等。
• 數(shù)據(jù)處理：TDC提供可視化、標簽轉化，二值化等工具。
• 分子生成任務：目的是讓產生的新藥物分子具有更好的性質。TDC收集了20多個有意義的任務，同樣只需要3行代碼，就能運行。

 

還可以刷新榜單排名

此外，TDC還提供各種類型的榜單（Leaderboard），給機器學習研究者對比模型預測的效果。

雖然TDC提供的每個數(shù)據(jù)集都能作為基準，但如果要真正評估一個機器學習模型，就要求其必須在一系列數(shù)據(jù)集和任務上達到更好的效果。

因此，TDC圍繞各種有意義的生物醫(yī)療問題，合并了各種子基準、形成基準組合。

所有的衡量標準和訓練、測試、分割的方式的設計目的，都是為了模擬實際生物醫(yī)藥的應用場景。

團隊簡介

TDC的開發(fā)和維護團隊，由多個高校和機構的研究人員共同組成。

主要的5位開發(fā)者，分別是來自哈佛的黃柯鑫、佐治亞理工學院的符天凡、MIT的高文昊、CMU的趙越、斯坦福的Yusuf Roohani。

此外，還有他們的5位導師，也在這次數(shù)據(jù)集開發(fā)中做出了不少貢獻。

目前，TDC數(shù)據(jù)集還在不斷地更新和完善中，作者黃柯鑫表示，還會不斷地更新如CRISPR、臨床試驗等方向的其他數(shù)據(jù)。

感興趣的同學，可以戳下方傳送門用起來了~

項目傳送門：
https://zitniklab.hms.harvard.edu/TDC/

參考鏈接：
https://zhuanlan.zhihu.com/p/340254116