蕭簫 編輯整理量子位 報導 | 公眾號 QbitAI
AlphaFold2出世、強力抗生素Halicin的預測……
機器學習，已經在生物醫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模的機器學習數據集？
無論是查找、處理數據，還是驗證模型效果，之前的研究，都只能在幾個小型數據集、或是已經被反覆研究的幾個任務上進行。
這極大地降低了ML在生物醫藥領域的應用進展。
為此，一群來自哈佛、MIT、斯坦福等機構的研究人員，開發出了第一個ML領域的生物醫藥大型數據集TDC，還附帶最新的模型評估方法。
這是個什麼樣的數據集？
TDC（Therapeutics Data Commons）數據集有三大特點：開源、大型、3行代碼搞定。
這一開源數據集，包含20+有意義的任務，和70多個高質量數據集。
涉及的範圍也非常廣，包含生物醫藥的各種研究方向，如靶蛋白發現、藥物動力學、安全性和藥物生產等。研究目標也不局限於小分子，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數據、使用TDC裡面的各種功能。
TDC解決問題的3層架構
生物醫藥領域涵蓋各種任務，每個任務都需要不同的數據結構來進行處理。
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（比如優化後的分子）第二層，模型要學習什麼樣的任務？從生物醫藥角度來定義，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，模型用什麼數據集來訓練？根據任務類型，從TDC已有的數據集中挑選數據，用於訓練模型。根據這三層架構，就能非常輕鬆地找到需要用的數據集。例如，想要檢索Z類問題中的學習任務Y，Y中需要用到數據集X，只需要三行代碼就能找到需要的結果。
TDC的數據集長啥樣TDC所包含的數據集和任務，大多是沒有用機器學習進行過系統研究、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，用於評估某種藥物分子在口服後，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，但都基於非公開數據。TDC從各種小資料庫、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，並將所有數據進行了開源。準確預測這些指標，可以幫助藥企節省大量資源。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據集。
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，能節省大量新藥研發的時間，TDC也已經處理了這樣的數據集。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的數據處理函數除了核心數據集以外，TDC還能進行簡單的數據處理，主要包括以下四點：模型評估：TDC提供了一個評估函數。只需3行代碼，就能評估TDC中的任務。數據分割：TDC提供了一些訓練和測試集的分割方法，用於模擬實際生物醫藥場景，如scaffold split等。數據處理：TDC提供可視化、標籤轉化，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提供的每個數據集都能作為基準，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據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療問題，合併了各種子基準、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藥的應用場景。團隊簡介TDC的開發和維護團隊，由多個高校和機構的研究人員共同組成。主要的5位開發者，分別是來自哈佛的黃柯鑫、喬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，也在這次數據集開發中做出了不少貢獻。
目前，TDC數據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據。