本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。

 AlphaFold2出世、強(qiáng)力抗生素Halicin的預(yù)測(cè)……

機(jī)器學(xué)習(xí)，已經(jīng)在生物醫(yī)藥這一大領(lǐng)域貢獻(xiàn)了不少成果。

然而，這一領(lǐng)域，此前甚至還沒(méi)有大規(guī)模的機(jī)器學(xué)習(xí)數(shù)據(jù)集？

無(wú)論是查找、處理數(shù)據(jù)，還是驗(yàn)證模型效果，之前的研究，都只能在幾個(gè)小型數(shù)據(jù)集、或是已經(jīng)被反復(fù)研究的幾個(gè)任務(wù)上進(jìn)行。

這極大地降低了ML在生物醫(yī)藥領(lǐng)域的應(yīng)用進(jìn)展。

為此，一群來(lái)自哈佛、MIT、斯坦福等機(jī)構(gòu)的研究人員，開發(fā)出了第一個(gè)ML領(lǐng)域的生物醫(yī)藥大型數(shù)據(jù)集TDC，還附帶最新的模型評(píng)估方法。

這是個(gè)什么樣的數(shù)據(jù)集？

TDC（Therapeutics Data Commons）數(shù)據(jù)集有三大特點(diǎn)：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(wù)，和70多個(gè)高質(zhì)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(dòng)力學(xué)、安全性和藥物生產(chǎn)等。研究目標(biāo)也不局限于小分子，還包括抗體、疫苗、miRNA等。

使用起來(lái)也非常簡(jiǎn)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(wèn)題的3層架構(gòu)

生物醫(yī)藥領(lǐng)域涵蓋各種任務(wù)，每個(gè)任務(wù)都需要不同的數(shù)據(jù)結(jié)構(gòu)來(lái)進(jìn)行處理。

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

第一層，模型要解決哪類問(wèn)題？

• 單實(shí)例預(yù)測(cè)（Single-instance prediction）: 預(yù)測(cè)單個(gè)實(shí)體（比如分子，蛋白）的某些性質(zhì)。
• 多實(shí)例預(yù)測(cè)（Multi-instance prediction）: 預(yù)測(cè)多個(gè)實(shí)體之間的某些性質(zhì)（比如反應(yīng)類型）
• 生成（Generation）: 已知一系列的實(shí)體，生成新的擁有某些性質(zhì)的實(shí)體（比如優(yōu)化后的分子）

 第二層，模型要學(xué)習(xí)什么樣的任務(wù)？

從生物醫(yī)藥角度來(lái)定義，任務(wù)包括設(shè)計(jì)新的抗體、識(shí)別個(gè)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(lái)訓(xùn)練？

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

根據(jù)這三層架構(gòu)，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(wèn)題中的學(xué)習(xí)任務(wù)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(jié)果。

TDC的數(shù)據(jù)集長(zhǎng)啥樣

TDC所包含的數(shù)據(jù)集和任務(wù)，大多是沒(méi)有用機(jī)器學(xué)習(xí)進(jìn)行過(guò)系統(tǒng)研究、但又極具潛力的應(yīng)用方向。

例如，ADMET性質(zhì)預(yù)測(cè)。其中，ADMET包含一系列藥物指標(biāo)，用于評(píng)估某種藥物分子在口服后，能否安全有效地到達(dá)指定靶點(diǎn)。

此前，已有部分研究機(jī)構(gòu)進(jìn)行過(guò)ADMET預(yù)測(cè)，但都基于非公開數(shù)據(jù)。

TDC從各種小數(shù)據(jù)庫(kù)、期刊等公開資料中，收集整理了20多個(gè)藥廠目前在用的重要指標(biāo)，并將所有數(shù)據(jù)進(jìn)行了開源。準(zhǔn)確預(yù)測(cè)這些指標(biāo)，可以幫助藥企節(jié)省大量資源。

又例如，對(duì)藥物進(jìn)行精準(zhǔn)組合。

同種藥物，在不同個(gè)體間會(huì)產(chǎn)生不同影響，尤其是腫瘤方向的藥物。如果用機(jī)器學(xué)習(xí)，就能預(yù)測(cè)藥物在各種基因表達(dá)下的效果，目前TDC也已經(jīng)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(yù)測(cè)出兩個(gè)藥物分子的組合效應(yīng)，能節(jié)省大量新藥研發(fā)的時(shí)間，TDC也已經(jīng)處理了這樣的數(shù)據(jù)集。

還有生物藥（Biologics）方向的任務(wù)。

近幾年來(lái)，機(jī)器學(xué)習(xí)在小分子上已有許多應(yīng)用，但在大分子生物藥上的應(yīng)用不多。

TDC也包含了6個(gè)生物藥方面的任務(wù)，包括抗體和抗原的親和力預(yù)測(cè)、多肽和MHC的親和力預(yù)測(cè)、miRNA和靶點(diǎn)的反應(yīng)預(yù)測(cè)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(jìn)行簡(jiǎn)單的數(shù)據(jù)處理，主要包括以下四點(diǎn)：

• 模型評(píng)估：TDC提供了一個(gè)評(píng)估函數(shù)。只需3行代碼，就能評(píng)估TDC中的任務(wù)。
• 數(shù)據(jù)分割：TDC提供了一些訓(xùn)練和測(cè)試集的分割方法，用于模擬實(shí)際生物醫(yī)藥場(chǎng)景，如scaffold split等。
• 數(shù)據(jù)處理：TDC提供可視化、標(biāo)簽轉(zhuǎn)化，二值化等工具。
• 分子生成任務(wù)：目的是讓產(chǎn)生的新藥物分子具有更好的性質(zhì)。TDC收集了20多個(gè)有意義的任務(wù)，同樣只需要3行代碼，就能運(yùn)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(jī)器學(xué)習(xí)研究者對(duì)比模型預(yù)測(cè)的效果。

雖然TDC提供的每個(gè)數(shù)據(jù)集都能作為基準(zhǔn)，但如果要真正評(píng)估一個(gè)機(jī)器學(xué)習(xí)模型，就要求其必須在一系列數(shù)據(jù)集和任務(wù)上達(dá)到更好的效果。

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

所有的衡量標(biāo)準(zhǔn)和訓(xùn)練、測(cè)試、分割的方式的設(shè)計(jì)目的，都是為了模擬實(shí)際生物醫(yī)藥的應(yīng)用場(chǎng)景。

團(tuán)隊(duì)簡(jiǎn)介

TDC的開發(fā)和維護(hù)團(tuán)隊(duì)，由多個(gè)高校和機(jī)構(gòu)的研究人員共同組成。

主要的5位開發(fā)者，分別是來(lái)自哈佛的黃柯鑫、佐治亞理工學(xué)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(dǎo)師，也在這次數(shù)據(jù)集開發(fā)中做出了不少貢獻(xiàn)。

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(huì)不斷地更新如CRISPR、臨床試驗(yàn)等方向的其他數(shù)據(jù)。

感興趣的同學(xué)，可以戳下方傳送門用起來(lái)了~

項(xiàng)目傳送門：
https://zitniklab.hms.harvard.edu/TDC/

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