DeepChem Sweetlead 示例全解析：基于 Tox21 与 SIDER 模型的药物安全性交叉预测

DeepChem Sweetlead 示例全解析：基于 Tox21 与 SIDER 模型的药物安全性交叉预测

【免费下载链接】deepchemDemocratizing Deep-Learning for Drug Discovery, Quantum Chemistry, Materials Science and Biology项目地址: https://gitcode.com/GitHub_Trending/de/deepchem

导读

SWEETLEAD 是计算机辅助药物发现领域一个著名的"先导化合物"数据库，收录已批准药物、传统草药中的化学分离物以及受管制化学品。本文以 DeepChem 仓库中的 examples/sweetlead/README.md 为核心，结合配套脚本 sweet.py 与 MoleculeNet 数据加载源码，完整讲解如何利用 DeepChem 将 Tox21（毒性）与 SIDER（副作用）上训练好的单任务模型集成起来，对 Sweetlead 化合物库进行跨数据集预测，并输出一张 Tox21×SIDER 的混淆矩阵（协变矩阵），用于分析不同毒性机制与副作用类别之间的关联。读完本文，你将掌握dc.molnet数据加载器、SingletaskToMultitask模型包装器以及多任务预测结果交叉分析的完整实战套路。

Sweetlead 数据集：是什么，为何重要

根据 examples/sweetlead/README.md 的描述，Sweetlead 是一个化学结构数据库，包含三类来源的化合物：

• 已批准药物（approved drugs）
• 传统草药中的化学分离物（chemical isolates from traditional medicinal herbs）
• 受管制化学品（regulated chemicals）

数据在入库前经过了严格的后处理流水线：

1. 过滤：只保留活性药物成分（active pharmaceutical ingredient, API），剔除辅料、盐型等无关结构；
2. 标准化：对分子结构进行统一标准化处理，保证同一结构在不同来源中表示一致；
3. 合并：同一药物的不同制剂/配方在最终数据库中合并为一条记录。

该数据集引用自 Novick 等人的论文："SWEETLEAD: an in silico database of approved drugs, regulated chemicals, and herbal isolates for computer-aided drug discovery."PLoS One8.11 (2013)。由于其同时覆盖"已上市药物 + 天然产物 + 管制化学品"三种语义完全不同的化学空间，它常被用于在已有模型上进行外部验证——即检验模型在未见过的、贴近真实药物研发场景的数据上的泛化表现。

三行代码载入 Sweetlead：dc.molnet.load_sweet

DeepChem 已把 Sweetlead 接入 MoleculeNet 数据集体系，只需一行调用即可完成下载、特征化、切分与变换。其实现位于 deepchem/molnet/load_function/sweetlead_datasets.py，并通过 deepchem/molnet/init.py 导出：

sweet_tasks, (sweet_dataset, _, _), sweet_transformers = dc.molnet.load_sweet()

load_sweet完整签名与参数

从源码（sweetlead_datasets.py）可以看到，其签名与 Tox21、SIDER 等其他 MoleculeNet 加载器完全一致：

def load_sweet( featurizer: Union[dc.feat.Featurizer, str] = 'ECFP', splitter: Union[dc.splits.Splitter, str, None] = 'scaffold', transformers: List[Union[TransformerGenerator, str]] = ['balancing'], reload: bool = True, data_dir: Optional[str] = None, save_dir: Optional[str] = None, **kwargs )

各参数说明如下（可与 molnet_loader.py 中_MolnetLoader的构造逻辑对照）：

底层加载流程：_SweetLoader与_MolnetLoader

load_sweet内部实例化_SweetLoader，其核心是create_dataset方法（sweetlead_datasets.py）：

def create_dataset(self) -> Dataset: dataset_file = os.path.join(self.data_dir, "sweet.csv.gz") if not os.path.exists(dataset_file): dc.utils.data_utils.download_url(url=SWEETLEAD_URL, dest_dir=self.data_dir) loader = dc.data.CSVLoader(tasks=self.tasks, feature_field="smiles", featurizer=self.featurizer) return loader.create_dataset(dataset_file, shard_size=8192)

可见：原始数据以sweet.csv.gz的形式从远程 URL 下载；SWEETLEAD_TASKS = ["task"]定义了唯一任务列；SMILES 作为特征输入字段，配合指定特征化器生成特征，并以 8192 的 shard 大小分片构建DiskDataset。

后续的切分与变换由基类_MolnetLoader.load_dataset统一完成（molnet_loader.py）：

• 若splitter非空，先执行train_valid_test_split，得到 train / valid / test 三份数据；
• 每个Transformer仅在训练集上拟合并分别变换三份数据（防止数据泄露）；
• 若reload=True且数据为DiskDataset，则将结果（含变换器）落盘缓存，下次直接读取。

理解这条链路对后续预测非常关键：Sweetlead 在示例中扮演的是"外部预测对象"角色，不需要训练/测试切分，只需将全部数据作为单一数据集传给已训练好的模型。

从单任务到多任务：SingletaskToMultitask包装器

示例脚本的核心技巧在于：Tox21 有 12 个毒性任务、SIDER 有 27 个副作用任务（任务清单见 tox21_datasets.py 与 sider_datasets.py），而 scikit-learn 的RandomForestClassifier本质是单任务模型。为此 DeepChem 提供了SingletaskToMultitask包装器，实现位置在 deepchem/models/multitask.py。

tox_tasks, (tox_train, tox_valid, tox_test), tox_transformers = dc.molnet.load_tox21() def model_builder(model_dir): sklearn_model = RandomForestClassifier( class_weight="balanced", n_estimators=500, n_jobs=-1) return dc.models.SklearnModel(sklearn_model, model_dir) tox_model = SingletaskToMultitask(tox_tasks, model_builder) tox_model.fit(tox_train)

其工作机制（依据 multitask.py 源码）：

• 构造：为每个任务在model_dir下创建独立子目录（task_model_dirs[task]）；
• fit：通过_to_singletask将多任务DiskDataset按任务列拆分成单任务数据集——对于每个样本，仅保留该任务权重w != 0的行（即该样本在该任务上有标注才参与训练），再对每个任务各自调用model_builder构造并训练一个独立的随机森林；
• predict：逐个任务reload已保存的模型并预测，最后用np.stack把各任务输出按列拼接成(样本数, 任务数)的概率矩阵。

因此tox_model.predict(sweet_dataset, sweet_transformers)会返回形状为(sweet 分子数, 12)的矩阵，sider_model则返回(sweet 分子数, 27)的矩阵。

完整实战：跨数据集预测与混淆矩阵生成

下面逐段解析 examples/sweetlead/sweet.py 的完整流水线，它同时是本文最可直接复用的代码模板。

第一步：训练 Tox21 与 SIDER 模型

tox_tasks, (tox_train, tox_valid, tox_test), tox_transformers = dc.molnet.load_tox21() classification_metric = Metric( metrics.roc_auc_score, np.mean, mode="classification") def model_builder(model_dir): sklearn_model = RandomForestClassifier( class_weight="balanced", n_estimators=500, n_jobs=-1) return dc.models.SklearnModel(sklearn_model, model_dir) print(tox_train.get_task_names()) print(tox_tasks) tox_model = SingletaskToMultitask(tox_tasks, model_builder) tox_model.fit(tox_train)

要点：

• 随机森林采用class_weight="balanced"应对毒性/副作用数据普遍存在的类别不平衡；
• n_estimators=500、n_jobs=-1（使用全部 CPU 核）兼顾精度与训练速度；
• 每个任务独立训练一棵 500 棵树的森林，共 12（Tox21）+ 27（SIDER）个模型；
• dc.molnet.load_tox21()/load_sider(split="random")返回(tasks, (train, valid, test), transformers)三元组。

第二步：加载 Sweetlead 并预测

sweet_tasks, (sweet_dataset, _, _), sweet_transformers = dc.molnet.load_sweet() sider_predictions = sider_model.predict(sweet_dataset, sweet_transformers) tox_predictions = tox_model.predict(sweet_dataset, sweet_transformers)

注意这里把sweet_transformers传入predict——训练时所用的变换器（默认balancing）会在预测阶段被undo_transforms逻辑还原，确保输出的是与训练数据同一语义空间的预测值。load_sweet()默认splitter='scaffold'，因此返回值中的后两个数据集（valid/test）被_丢弃，预测只针对完整数据集进行。

第三步：构建 Tox21×SIDER 混淆矩阵

sider_dimensions = sider_predictions.shape[1] # 27 tox_dimensions = tox_predictions.shape[1] # 12 confusion_matrix = np.zeros(shape=(tox_dimensions, sider_dimensions)) for i in range(tox_predictions.shape[0]): nonzero_tox = np.nonzero(tox_predictions[i, :]) nonzero_sider = np.nonzero(sider_predictions[i, :]) for j in nonzero_tox[0]: for k in nonzero_sider[0]: confusion_matrix[j, k] += 1 df = pd.DataFrame(confusion_matrix) df.to_csv("./tox_sider_matrix.csv")

这段代码的核心思想：对 Sweetlead 中的每个分子，分别统计其被 Tox21 哪些任务"命中"（预测概率非零）以及被 SIDER 哪些任务"命中"，然后在 12×27 的矩阵对应位置累加。最终tox_sider_matrix.csv的单元格(j, k)表示"同时被 Tox21 第 j 个任务和 SIDER 第 k 个任务预测为阳性的 Sweetlead 化合物数量"，可用于观察：

• 特定毒性机制（如核受体通路NR-*、应激反应通路SR-*）与特定副作用系统（如心脏、肝胆、神经系统）之间的共现关系；
• 已上市药物/草药分离物中哪些结构同时带有高风险信号，辅助后续的脱靶效应排查。

运行方式

# 在仓库根目录执行 python examples/sweetlead/sweet.py

运行前提：已安装 DeepChem 及其 scikit-learn 依赖（环境配置可参考 requirements/env_common.yml 等环境文件）；首次运行会自动下载 tox21、sider、sweet 三个数据集（原始 gz 文件与特征化缓存统一存放在get_data_dir()指定目录），耗时取决于网络与 CPU 核数。

参数定制与扩展思路

更换特征化器

load_sweet与load_tox21、load_sider都接受字符串快捷名，可一键切换表征方式：

# 图卷积特征：适合后续接 GNN 模型 dc.molnet.load_sweet(featurizer='graphconv') # 分子图 Weave 特征 dc.molnet.load_sweet(featurizer='weave')

注意：特征化器必须与训练模型一致——用ECFP（默认）训练的随机森林无法直接预测graphconv特征化的数据。

模型可替换性

model_builder是SingletaskToMultitask的唯一模型入口，可平滑替换为其他SklearnModel兼容的分类器（如ExtraTreesClassifier、GradientBoostingClassifier或SVC），结构无需改动；但需注意该包装器当前实现仅面向 sklearn 模型（见 multitask.py 的 Note 说明）。

更严格的切分控制

若希望 Sweetlead 预测完全独立于训练集，可显式传入splitter=None与训练时相同的data_dir，并利用reload缓存避免重复特征化：

sweet_tasks, (sweet_dataset,), sweet_transformers = dc.molnet.load_sweet( splitter=None, data_dir="./data", reload=True)

总结：该示例的工程价值

从仓库证据看，这个示例演示了一条可复用的"跨数据集药物安全性筛查"流水线：

1. 用 MoleculeNet 标准加载器（load_tox21、load_sider、load_sweet）统一管理数据获取与特征化；
2. 用SingletaskToMultitask让 500 棵树的随机森林逐个任务训练，实现单任务模型的多任务化；
3. 对 Sweetlead 全库预测并输出 Tox21×SIDER 共现矩阵，把"模型置信度"转化为可读的机制关联分析表。

其设计思路与 MoleculeNet 的统一加载抽象（_MolnetLoader基类）一脉相承：数据集是插拔的、模型是插拔的，唯有预测-交叉分析的主干逻辑保持稳定，这正是它适合作为药物化学、计算毒理学研究起点的原因。

【免费下载链接】deepchemDemocratizing Deep-Learning for Drug Discovery, Quantum Chemistry, Materials Science and Biology项目地址: https://gitcode.com/GitHub_Trending/de/deepchem