用途：PyTDC 是面向药物发现与开发的开源科学平台，提供 AI 就绪的数据集与基准，覆盖治疗学全流程，用于治疗学机器学习建模与标准化评测。
主要能力：数据集分为三类——单实例预测（分子/蛋白性质，如 ADME、Tox、HTS、QM、Yields、Epitope、Develop、CRISPROutcome）、多实例预测（DTI、DDI、PPI、GDA、DrugRes、DrugSyn、PeptideMHC、AntibodyAff、MTI、Catalyst、TrialOutcome）和生成（MolGen、RetroSyn、PairMolGen）。提供 scaffold、random、cold_drug、cold_target、temporal 等数据划分，标准化评估指标（ROC-AUC、PR-AUC、F1、RMSE、MAE、R2、Spearman、Pearson 等），以及 17+ 分子生成 oracle。
使用方式：安装 pip install PyTDC（升级 pip install PyTDC --upgrade），依赖 numpy、pandas、tqdm、seaborn、scikit_learn、fuzzywuzzy。基本模式：from tdc.<problem> import <Task>；data = <Task>(name='<Dataset>')；split = data.get_split(method='scaffold', seed=1, frac=[0.7,0.1,0.2])；df = data.get_data(format='df')。例如 from tdc.single_pred import ADME; data = ADME(name='Caco2_Wang')。基准组如 admet_group 需用 5 个种子评估。
适用场景：药物发现与治疗学 ML 数据集处理、标准化基准评测、分子性质预测、药物-靶点/药物-药物相互作用预测、目标导向分子生成与性质优化。
限制：资料未提供收费、价格、平台支持范围或效果保证等信息；部分功能依赖额外自动安装的包，具体可用数据集与 oracle 清单需查阅官方文档。