用途：PyTDC（import tdc）用于治疗性机器学习任务的发现、数据加载、划分、评估与基准组工作流。
主要能力：通过 tdc.metadata 或脚本进行无下载的注册表发现；加载单预测（ADME、Tox）、多预测（DDI、DTI）、生成（MolGen、Reaction、RetroSyn）等数据集；支持 random、scaffold、cold_split、combination、time 等划分方式；使用 Evaluator 计算 MAE、ROC-AUC、PCC、micro-f1、macro-f1、kappa 等指标；通过 admet_group 等基准组类进行评测与排行榜聚合；提供分子生成语料与 oracle 评分。
使用方式：建议使用隔离的 CPython 3.11 环境并固定版本：uv venv --python 3.11 .venv-pytdc；uv pip install --python .venv-pytdc/bin/python "setuptools==80.9.0" "PyTDC==1.1.15"。先做元数据发现，例如 python scripts/discover_metadata.py --kind datasets --task ADME --limit 50；确认数据、许可、传输与存储后再加 --execute 执行加载。构造器会触发数据下载，需提前规划网络与磁盘。
适用场景：治疗性 ML 任务的数据准备、基准评测、分子性质预测与生成评估。
限制：PyTDC 1.1.15 无通用缓存配额、淘汰策略或全数据集校验清单；数据集许可各异，需逐项核实；random 划分的验证集使用固定 random_state=1；cold_split 可能丢弃跨分区行；oracle 调用可能产生外部服务、检查点或分子结构传输成本。上游无 GitHub 标签或维护的变更日志，文档版本可能不一致。