用途：PyTDC 是面向药物发现的开源数据集与基准平台，提供 AI 就绪的数据集、标准化评估指标和有意义的划分，覆盖单实例预测（分子/蛋白性质）、多实例预测（DTI、DDI）和生成（分子生成、逆合成）三类任务。
主要能力：单实例任务含 ADME、Tox、HTS、QM、Yields、Epitope、Develop、CRISPROutcome；多实例含 DTI、DDI、PPI、GDA、DrugRes、DrugSyn、PeptideMHC、AntibodyAff、MTI、Catalyst、TrialOutcome；生成含 MolGen、RetroSyn、PairMolGen。提供 scaffold、random、cold_split、combination 等划分策略，Evaluator 支持 ROC-AUC、RMSE 等指标，另有 17+ 分子生成 oracle、格式转换与过滤等工具，以及 ADMET 等基准组（含 22 个数据集）。
使用方式：建议独立虚拟环境安装：uv venv --python 3.12；uv pip install PyTDC。基本用法：from tdc.single_pred import ADME; data = ADME(name='Caco2_Wang'); split = data.get_split(method='scaffold')。基准组用 group.get(name) 取 train_val/test，配合 group.get_train_valid_split 与 group.evaluate_many。
限制：PyTDC 1.1.15 固定较旧依赖栈（numpy<2、pandas<3、rdkit<2024.3.1、transformers<4.51、datasets<2.20），无法与新版 RDKit/numpy/pandas/transformers 共用环境；需导出 CSV/Parquet 到另一环境做特征化与训练。特征化与建模应改用 alterlab-deepchem 或 alterlab-molfeat，原始生物活性数据用 alterlab-chembl，结合亲和力用 alterlab-bindingdb，知识图谱查询用 alterlab-primekg。官方站点 https://tdcommons.ai，文档 https://tdc.readthedocs.io，GitHub https://github.com/mims-harvard/TDC。