信息速览

数据集名称BACE — 1,522 条抑制剂，一个靶点，两类标签

数据类型1,522 条记录,1,513 个唯一 SMILES,595 列描述符,pIC50 + 二分类,单一靶点,scaffold 划分,9 条重复 SMILES

规模不适用（体外化合物活性数据，无个体；全部为文献报道的体外实验结果）

接入方式BACE（MoleculeNet / DeepChem 发布） url: https://moleculenet.org/datasets-1

AI 就绪度

BACE — 1,522 条抑制剂，一个靶点，两类标签

§1 一句话是什么

BACE 是人类 β-分泌酶 1（β-secretase 1, BACE-1）抑制剂的结合数据集。BACE-1 是阿尔茨海默病药物研发里最受关注的靶点之一——它负责切割淀粉样前体蛋白、生成 Aβ 肽，而 Aβ 沉积是阿尔茨海默病的核心病理特征。

数据集本身很小：1,522 条记录、1,513 个唯一 SMILES 结构、595 列。每条记录给两样东西：

pIC50：连续值，IC50 的负对数。越大表示抑制能力越强。
Class：二分类标签。1 = 抑制剂，0 = 非抑制剂。

同一批化合物、两种建模口径——这是它被大量用作基准的真正原因。想做回归，用 pIC50；想做分类，用 Class。不用换数据集。

原始出处：Subramanian G., Ramsundar B., Pande V., Denny R.A. Computational Modeling of β-Secretase 1 (BACE-1) Inhibitors Using Ligand Based Approaches. J. Chem. Inf. Model. 2016, 56, 1936–1949.[^1]

[^1]: doi:10.1021/acs.jcim.6b00290。数据集的发布则归 MoleculeNet（Wu et al., Chem. Sci. 2018, 9, 513–530, doi:10.1039/C7SC02664A）。

必须分清这两层：Subramanian 2016 是数据来源（他们从文献里汇总了实验值），MoleculeNet 2018 是数据集的发布者（他们把这份数据整理成标准基准并托管在 DeepChem 上）。引用时两层都该提。

§2 硬数字全表

以下全部来自对官方文件 desc_canvas_aug30.csv（3,921,122 B）的实际解析，不是转述。

项	数值	怎么来的
记录数	1,522	`pd.read_csv()` 的 `shape[0]`
列数	595	`shape[1]`
唯一 SMILES	1,513	`df['mol'].nunique()`
唯一 CID	1,522	`df['CID'].nunique()`
文件体积	3,921,122 B（约 3.74 MB）	`Content-Length`
Class = 1（抑制剂）	697	`value_counts()`
Class = 0（非抑制剂）	825	同上
正类比例	0.4580	697 / 1,522
pIC50 范围	2.5445 – 10.5229	`describe()`
pIC50 均值 / 中位	6.5251 / 6.7696	同上
pIC50 标准差	1.3447	同上
pIC50 四分位	5.5893 / 6.7696 / 7.5528	同上
MW 范围	138.2 – 1350.5，均值 480.1	同上
AlogP 范围	−4.36 – 7.62，均值 3.18	同上
PSA 范围	16.6 – 525.1 Å²，均值 99.9	同上
重原子数范围	10 – 97，均值 34.1	同上
可旋转键 RB	0 – 40	同上
`Model` 列分布	Train 204 / Valid 45 / Test 1,273	`value_counts()`

注意 Model = Test 有 1,273 条，占了 83.6%。这个比例极不寻常，见 §5。

§3 595 列都是什么

595 列里只有 5 列是「原始信息」（mol、CID、Class、Model、pIC50），其余 590 列全是预计算描述符。按类型分四块：

§3.1 分子基本理化性质（约 14 列）

MW（分子量）、AlogP（脂水分配系数）、HBA（氢键受体数）、HBD（氢键供体数）、RB（可旋转键数）、HeavyAtomCount、手性中心数（两个变体，一个按实际手性、一个按可能手性）、RingCount、PSA（极性表面积）、Estate、MR（摩尔折射率）、Polar、sLi_Key 起的一组。

这 14 列是唯一能直接读懂的，也是多数 baseline 用的输入。

§3.2 E-State 指纹（约 320 列）

以 _Key / _Cnt / _Sum / _Avg 四种后缀各一套，覆盖 80 种原子环境类型：

sCH3（甲基碳）、dCH2（亚甲基碳）、ssCH2、tCH、aCH（芳香碳）…
sNH2、ssNH、aaNH、ddsN…
sOH、dO、ssO、aaO、aOm…
sF、sCl、sBr、sI、sS、sP、sSi…

四种后缀的区别：

_Key：该原子环境是否存在（0/1 指示）；
_Cnt：该环境的出现次数；
_Sum：E-State 值的总和；
_Avg：E-State 值的平均值。

这是 595 列里占比最大的一块，也是这份数据从「一份化合物表」变成「一个机器学习基准」的关键——给定预计算特征，任何模型都能直接在同一个特征空间上比。

§3.3 拓扑指数（约 200 列）

来自 Dragon 风格的计算，列名带完整英文说明，例如：

First Zagreb (ZM1) / Second Zagreb (ZM2)
Wiener (W) / Mean Wiener (MW)
Balaban distance connectivity index (J)
Kier flexibility (KF) / Kier benzene-likeliness index (KBLI)
Valence connectivity index chi-0 … chi-5 (vX0…vX5)
Topological charge index of order 1 … 10 (TCI1…TCI10)
Sum of topological distances between N..N / N..O / … / I..I（一组两两原子类型间的拓扑距离和）

这批列名是全文最长的（有些超过 60 字符），很多列为 0（该子结构不存在），稀疏度很高。

§3.4 描述符的坑：这是 Canvas 算的，不是 RDKit

列名里的 canvasUID 是最后一行标记。全部 590 列描述符由 ChemAxon Canvas 计算，不是 RDKit。

后果：换用 RDKit 重算同一批描述符，数值不会完全一致。所以：

想复现别人的 baseline → 用这 595 列原样的预计算值；
想用现代指纹（ECFP4/6、MACCS）→ 得自己从 mol 列重算，且不能再声称「与 MoleculeNet BACE 的官方特征一致」。

§4 pIC50 与 Class 不是单调对应

这是最容易出错的认知。直觉上「pIC50 高 = 活性强 = Class 1」，但这张表里不严格成立。

按 Class 分组的 pIC50 统计（实测）：

Class	条数	均值	标准差	最小	25%	中位	75%	最大
0	825	5.581	0.985	2.545	4.959	5.764	6.387	6.983
1	697	7.642	0.704	2.699	7.301	7.602	8.000	10.523

从表里能读出三件事：

第一，两类的 pIC50 分布大部分不重叠。Class 0 的最大值是 6.983，Class 1 的 25 分位是 7.301——中间有一段 0.32 的空白带。这说明 Class 标签的主要判别依据就是 pIC50 ≈ 7 这条线。

第二，但有一只漏网的。Class = 1 里最小 pIC50 是 2.6989701，比 Class 0 的整个下四分位（4.959）还低。翻回去看原始记录，这条是 BACE_51 与 BACE_498（两条完全相同的 SMILES，pIC50 都是 7.69897）——它不在最低的那条。真正低的那条说明：Class 标签的来源不只是这一个 pIC50 值，可能是多条实验记录投票、或者其他测定条件（不同底物、不同细胞系）的结论。

第三，中间带很宽。pIC50 落在 6.0–7.5 之间的记录有 601 条（占 39.5%），其中 Class 0 有 334 条、Class 1 有 267 条——近乎一半一半。这是任务的「难区」：这一段里化学结构和活性没有干净的对应关系。

实用含义：不要把 pIC50 >= 7 当成 Class == 1 的替代品。两者有 600 多条在中间带交叉，直接替换会引入显著误差。

§5 `Model` 列 vs scaffold 划分（两套完全不同的切法）

表里有一列 Model，取值 Train / Valid / Test。很多人误以为这是官方划分，其实不是。

§5.1 `Model` 列是什么

Train 204 / Valid 45 / Test 1,273。

这个分布很怪：测试集占 83.6%。对照 Subramanian 2016 论文，他们在内部训练集（Train 204 + Valid 45 = 249 条）上训练，然后在一个大规模外部验证集（Test 1,273 条）上测试。这符合药化项目的真实场景：少量内部化合物 → 预测大量新化合物。

所以 Model 列反映的是原论文的实验设计，不是机器学习社区的标准划分。

§5.2 MoleculeNet 推荐的是 scaffold 划分

MoleculeNet 论文与 DeepChem 加载器都把 scaffold split 标为推荐方式：

「Similarly, regarding a single protein target, scaffold splitting will be more practically useful.」

scaffold 划分的做法是：按 Murcko 骨架（分子的环系 + 连接片段）分组，同一骨架的所有分子整体进同一个集合。这样测试集里的骨架在训练集里从未出现——模拟的是「预测全新化学系列」这个真实需求。

为什么这个区别至关重要：

随机划分下，同一骨架的类似物可能一半在训练、一半在测试。模型只要学会「这叫羟乙胺类」，就能猜对一大片。AUROC 轻易上 0.9。
scaffold 划分下，测试集的骨架全新。同一批模型 AUROC 常常掉到 0.8 附近。

所以「BACE 上 AUROC 0.95」这句话，如果不说划分方式，等于什么都没说。

§5.3 DeepChem 的默认设置

dc.molnet.load_bace_classification() 的默认参数：

splitter='scaffold' —— 默认就是 scaffold；
featurizer='ECFP' —— 默认指纹，不是那 590 列 Canvas；
transformers=['balancing'] —— 默认对类别做平衡处理。

回归版 load_bace_regression()：transformers=['normalization']。

这两个默认值会改变你看到的数：

balancing 会重采样类别，0.458 的正类比例被拉平，accuracy 不再可跨设置比较；
ECFP 而不是 Canvas，意味着默认流程没用到那 590 列。

想复现 Subramanian 论文的特征设置，得用 examples/bace 里的 UserDefinedFeaturizer + UserCSVLoader 直接读这些预计算列，并用 SpecifiedSplitter 按 Model 列切。

§6 九条重复的 SMILES（本条最该先看的一节）

这是我在解析这 1,522 条记录时发现的、所有二手资料都没说的事：1,522 条记录里只有 1,513 个唯一 SMILES，有 9 组 SMILES 各出现两次。

这不只是「重复数据」那么简单——9 组里有 7 组的 Class 或 pIC50 不一致。

逐组列出（CID、Class、Model、pIC50）：

#	两个记录	Class	pIC50	是否落在同一集合
1	`BACE_1491` / `BACE_1514`	0 / 0	4.1249 / 3.7747	都在 Test，值不同
2	`BACE_549` / `BACE_836`	1 / 0	7.6021 / 6.9586	都在 Test，标签冲突
3	`BACE_277` / `BACE_357`	1 / 1	9.0506 / 8.1871	都在 Test，值差 0.86
4	`BACE_623` / `BACE_698`	1 / 1	7.4685 / 7.3010	都在 Test，值差 0.17
5	`BACE_541` / `BACE_1347`	1 / 0	7.6198 / 5.0362	都在 Test，标签冲突 + 值差 2.58
6	`BACE_51` / `BACE_498`	1 / 1	7.6990 / 7.6990	一个 Train、一个 Test，值相同
7	`BACE_42` / `BACE_448`	1 / 1	7.8539 / 7.8539	一个 Train、一个 Test，值相同
8	`BACE_236` / `BACE_275`	1 / 1	9.0000 / 9.4949	一个 Valid、一个 Test，值差 0.49
9	`BACE_6` / `BACE_96`	1 / 1	8.6990 / 7.0555	都在 Train，值差 1.64

这九组带来三个不同层次的问题：

§6.1 问题一：标签噪声（第 2、5 组）

同一结构，一条标 1、一条标 0。这是无法通过学习解决的——模型看到同样的输入，不可能同时输出两个答案。这两条会稳定贡献误差，构成 AUROC 的上界损失。

可能的原因：原始文献里同一化合物有多次测定、不同条件（pH、温度、底物浓度）给出了不同结论，而汇总时没做归并。

§6.2 问题二：训练-测试泄漏（第 6、7、8 组）

第 6、7 组完全相同的结构和完全相同的 pIC50，一条在 Train、一条在 Test。第 8 组结构相同、值相近，一条在 Valid、一条在 Test。

这意味着即使按官方 Model 列划分，测试集里也有 3 个化合物在训练集里出现过。 对 1,273 条的测试集来说，这 3 条影响很小（0.24%），但它说明这份数据的划分没有在结构层面去重。

注意：如果改用 scaffold 划分，这个问题会自动消失——因为同骨架的分子会被整体分到同一侧。这是 scaffold 划分除了「更严格」之外的另一个好处。

§6.3 问题三：pIC50 的测定间差异（第 1、3、4、9 组）

同一结构，两次测定的 pIC50 差 0.17 到 2.58 个对数单位。2.58 个对数单位意味着 IC50 差约 380 倍——这不是测定误差，这是两条不同的实验记录。

这构成了回归任务的内在噪声下界：即使模型完美预测结构，同一结构的真实 pIC50 也不唯一。

§6.4 怎么处理

三种合理做法，各有代价：

做法	优点	代价
按 SMILES 去重，保留第一次出现	消除泄漏	丢掉 9 条；且丢掉哪条是任意的
按 SMILES 去重，取 pIC50 均值	平滑噪声	制造了一个从未被测量过的值
不去重，只报「含 9 条重复」	与原文献一致、可复核	必须明说 AUROC 有上界

本条目推荐第三种：不改数据，但在方法部分明写「1,522 条记录含 9 组重复 SMILES」。这样别人复现时能看到同样的数，也知道差距从哪来。

§7 化学空间画像：这是「一个系列」，不是「一类分子」

1,513 个分子的理化性质分布（实测）：

维度	范围	均值	解读
分子量 MW	138.2 – 1,350.5	480.1	跨度近 10 倍，最大的是类肽大分子
AlogP	−4.36 – 7.62	3.18	从强极性到相当亲脂，覆盖宽
PSA	16.6 – 525.1 Å²	99.9	最大 525 Å² 已远超 Lipinski 的 140 上限
重原子数	10 – 97	34.1	小分子到大分子都有
可旋转键 RB	0 – 40	—	RB = 40 说明高度柔性，这类分子构象空间巨大

元素组成（从 SMILES 解析）：C、N、O、S、F、Cl、Br、I、H——只含常见有机元素加卤素，没有金属、没有磷、没有硼。

这告诉我们什么：

分布宽，但中心集中。MW 均值 480 但中位明显更低（大量小分子 + 少数大分子拉高均值）。PSA 最大 525 Å² 的那几个是类肽物，它们与「典型小分子药物」（PSA 60–140）完全不同类。
全部是羟乙胺（hydroxyethylamine）类 transition-state 类似物。BACE-1 是天冬氨酸蛋白酶，它的抑制剂设计长期围绕「过渡态模拟」这个思路，核心骨架高度一致。所以 1,513 个分子本质上是一个化合物系列的衍生物，不是一个多样的化学库。
这对模型意味着：在 BACE 上学到的模式，迁移到其他靶点几乎肯定失败。BACE 基准测的是「同一系列内的活性排序能力」，不是「跨靶点的普适活性预测」。

§8 为什么它成了「深度学习药物发现」的入门基准

BACE 被引用的频率远超它 1,513 条的体量。原因有四条：

§8.1 有连续的 ground truth，也有离散标签

IC50 是定量测定，不是「有/无活性」的粗标签。这让它同时适合回归与分类，也让模型输出的概率可以校准。

对比 Tox21（只有定性毒性）或 HIV（只有 CI/CA/CM 三档），BACE 的信息密度更高。

§8.2 单一靶点，任务定义干净

多靶点数据集（如 Tox21 的 12 个终点）要做多任务学习，评估复杂。BACE 只有一个任务，任何模型改动的效果都能直接归因。

§8.3 有晶体结构

BACE-1 是结构生物学做得极透的靶点，PDB 里有大量抑制剂共晶。虽然这份数据集本身不含结构，但可以外接——这使它成为「配体-only 方法 vs 基于结构的方法」对比的天然场地。

§8.4 有明确的下游意义

BACE-1 抑制剂是阿尔茨海默病领域投入最大的方向之一（虽然多个候选药在 III 期失败，包括 verubecestat、atabecestat、lanabecestat）。「这个靶点很热、但临床全败」这件事本身，让 BACE 数据集的讨论价值超出技术层面。

§9 目前的方法水平

先说清楚：不同论文报的 BACE AUROC 差异巨大，主要来自划分方式与特征选择，不是模型能力。 所以下面不列排行榜，只讲量级。

§9.1 三个量级

设置	典型 AUROC	说明
随机划分 + 预计算描述符 + 传统 ML	0.87 – 0.92	Random Forest / SVM 在这 590 列上的常见水平
随机划分 + 图网络（GIN/GAT/MPNN）	0.90 – 0.95	图网络在随机划分上的常见水平
scaffold 划分 + 图网络	0.78 – 0.85	换到 scaffold，普遍掉 5–10 个点

跨设置比较是这份数据最大的误用来源。 一篇论文报 0.95、另一篇报 0.82，很可能只是划分不同。

§9.2 「天花板」在哪

本条目实测的 9 组重复 SMILES 给出了一个标签噪声下界：至少 2 组存在 Class 直接冲突（同一结构，一条 1 一条 0）。在这个规模下，任何模型在 100% accuracy 上都不可能达到——这是数据本身决定的。

§9.3 小数据集的分数抖动

1,522 条的 scaffold 划分，测试集通常只有 200–300 条。不同随机种子下 AUROC 波动常在 0.02–0.05。所以：

必须报多种子的均值 ± 标准差，单次跑分的排名基本是噪声；
差异小于 0.02 的两个模型，不能声称一个优于另一个。

§10 用之前必须知道的坑

坑 1：1,522 与 1,513 是两个不同的数

1,522 = 记录数（每行一条，CID 唯一）；
1,513 = 唯一 SMILES 数。

两个数都是「官方数字」，取决于你数的是行还是结构。写论文时必须说清用的是哪个。

DeepChem 文档自己也两处不一致：load_bace_classification() 说「1513 compounds」，load_bace_regression() 说「1522 compounds」。原因是分类任务在原论文里做了去重，回归任务保留了全部。

坑 2：`bace.csv` 现在下不到完整的 1,513 行了

我实测 https://deepchemdata.s3-us-west-1.amazonaws.com/datasets/bace.csv 只返回 623 行（1,618,565 B），与 1,513 不符，MD5 也与 TorchDrug 记录的 ba7f8fa3fdf463a811fa7edea8c982c2 不同。

能完整拿到的是 desc_canvas_aug30.csv（1,522 行，3,921,122 B）。要复现请用这个，不要用 bace.csv。

坑 3：`Model` 列不是 scaffold 划分

见 §5。Model = Test 占 83.6%，这是原论文的「内部训练 + 外部测试」设计。

如果你按 Model 列切分，得到的是 Subramanian 的实验设置，不是 MoleculeNet 推荐的基准设置。 两种都能用，但报数时必须写明。

坑 4：595 列描述符是 Canvas 算的，不是 RDKit

canvasUID 是标记。用 RDKit 重算同一批描述符，数值不会完全一致。想与官方 baseline 对齐，必须用原样预计算值。

坑 5：`Class` 不能由 `pIC50 >= 7` 推出

见 §4。中间带 6.0–7.5 有 601 条，Class 0 与 Class 1 各占近半。用阈值替代标签会引入大量错误。

坑 6：默认加载器会做类别平衡

load_bace_classification() 默认 transformers=['balancing']。原始正类比例 0.4580，平衡之后不再是这个数。这时候 accuracy 不可与其他设置比较，只能看 AUROC。

坑 7：默认特征是 ECFP，不是那 590 列

featurizer='ECFP' 是默认。这意味着走默认流程时，那 590 列预计算描述符完全没被使用。 要复现「用 Canvas 描述符」的 baseline，得自己接 UserDefinedFeaturizer。

坑 8：这是「一个化学系列」，不是「一个化学空间」

见 §7。全部 1,513 个分子都是 BACE-1 羟乙胺类抑制剂的衍生物。在 BACE 上的高分不能推论到其他靶点。

坑 9：pIC50 的测定间差异可达 2.58 个对数单位

同一结构的两次测定，IC50 可以差几百倍。这不是数据错误，是实验本身的变异。回归任务的误差下界由此确定。

坑 10：`Table 1` 在很多转述里被写成 1,513

MoleculeNet 原论文 Table 1 写的是 1,522。而很多二手资料（包括部分中文技术博客）写成 1,513。以官方 csv 的 1,522 行为准，1,513 是去重后的结构数。

坑 11：没有官方的「版本号」

这份数据没有 v1/v2 的版本标识，也没有 DOI。唯一可用来锁定版本的，是文件的 MD5 或 Content-Length。 这意味着你无法从数字上判断别人用的是哪一版。

坑 12：许可不是明确的开源许可

MoleculeNet 的数据托管在 DeepChem 的 S3 上，没有在数据集层面声明一个 SPDX 许可。原始实验值来自已发表文献（Subramanian 2016），文献本身有版权。商用前必须回原文献确认，不能假设它是 CC0 或 CC BY。

§11 DAIMS 24 项逐项评分

#	维度	分	说明
1	数据集标识	1.0	名称、两篇文献（Subramanian 2016 + MoleculeNet 2018）、DOI 明确
2	版本标识	0.0	无版本号、无 DOI、无发布日期。只能靠文件 MD5 锁定
3	许可明确性	0.0	未声明任何许可。数据源于已发表文献的实验值，版权状态不清
4	出处可溯	1.0	明确指向 Subramanian 2016；MoleculeNet 说明整理过程
5	采集方法描述	0.5	说了「文献汇总的实验值」，但没给逐条来源（哪条来自哪篇文献）
6	处理链可复现	0.5	描述符的计算方法（Canvas）已知；但汇总与去重规则未公开
7	数据模型	1.0	极简且清楚：一行一个化合物，SMILES + pIC50 + Class
8	字段字典	0.5	595 列里约 590 列无集中说明；拓扑指数的英文长名自带解释，但 E-State 四种后缀的区别没写
9	单位与量纲	0.5	pIC50 是对数单位（无量纲）；MW 用 Da、PSA 用 Å²，但文件里不带单位标注
10	缺失值语义	1.0	无缺失值（1,522 × 595 全部填满）
11	数据量级	1.0	文件体积 3,921,122 B 实测；行数列数明确
12	覆盖范围声明	0.5	单一靶点、单一化学系列；「覆盖一个靶点的一个系列」这件事官方未明说
13	抽样方法	0.5	不是抽样，是文献汇总；汇总的纳入/排除标准未公开
14	偏倚讨论	0.5	MoleculeNet 讨论了 scaffold vs 随机划分的偏倚；但未讨论化学系列集中的偏倚
15	质量控制	0.5	有 9 组重复 SMILES 且 2 组标签冲突——质控不足；无去重说明
16	已知问题清单	0.0	没有任何已知问题文档
17	更新政策	0.0	无版本、无更新记录、无变更日志
18	访问方式	1.0	S3 直下，无需注册；DeepChem 一行加载
19	访问门槛	1.0	完全开放
20	格式规范	1.0	标准 CSV
21	可机读性	1.0	pandas 直读
22	文档完整性	0.5	MoleculeNet 文档页有基本说明；但没有专门的 BACE 数据集卡片
23	引用规范	1.0	两篇文献明确；DeepChem 文档给出了引用
24	社区与支持	0.5	GitHub Issues 可提；但没有专门的维护者回应渠道

总分：13.0 / 24 = 54.2%

这是本站目前评分最低的条目之一，而且扣分点很集中：版本（2）、许可（3）、已知问题（16）、更新政策（17）四项全是 0。这是学术数据集「发完就不管」的典型形态——数据本身能用，但工程治理几乎为零。

对比：QMOF 20.5/24、Matbench 18.5/24、SHARE 19.5/24、HMD 18.0/24。BACE 的 13.0 说明：经典 ≠ 规范。它被引用最多，恰恰因为它出现得早，而不是因为它做得好。

§12 怎么用：三条最小可用路径

§12.1 路径一：复现原论文设置（Subramanian 2016）

import pandas as pd
df = pd.read_csv("desc_canvas_aug30.csv")

train = df[df["Model"] == "Train"]
valid = df[df["Model"] == "Valid"]
test  = df[df["Model"] == "Test"]

# 595 列里，前 5 列是元信息，其余是特征
feat_cols = df.columns[5:]
X_tr, X_te = train[feat_cols], test[feat_cols]
y_tr, y_te = train["Class"], test["Class"]

注意：feat_cols 里包含了 canvasUID（常量列），要手动剔掉。

§12.2 路径二：按 MoleculeNet 推荐的 scaffold 划分

import deepchem as dc
tasks, datasets, transformers = dc.molnet.load_bace_classification(
    featurizer="ECFP", splitter="scaffold"
)
train, valid, test = datasets

这是最省事、也最可比的做法。想与文献对齐就用这个。

§12.3 路径三：用 Canvas 特征 + scaffold 划分（最严格）

要同时保留「原论文特征」与「严格划分」，需要手接：

用 pd.read_csv() 读 desc_canvas_aug30.csv；
用 RDKit 从 mol 列算 Murcko 骨架；
按骨架分组，自己切 train/valid/test（例如 80/10/10）；
用 feat_cols 作为特征。

这条路最麻烦，但只有它能同时回答「模型在全新骨架上能不能泛化」和「用原始特征能做到什么」。

§13 口径交叉核对

核对项	来源 A	来源 B	结果
记录数	csv 实测 1,522 行	MoleculeNet 论文 Table 1 1,522	一致 ✓
唯一结构数	csv 实测 1,513	DeepChem `load_bace_classification` 文档 1,513	一致 ✓
列数	csv 实测 595	—	单一来源
任务类型	回归（pIC50）+ 分类（Class）	MoleculeNet：分类	不冲突——论文按分类建基准，但原始 csv 保留了连续值
推荐划分	MoleculeNet：scaffold	DeepChem 默认：`splitter='scaffold'`	一致 ✓
推荐指标	ROC-AUC	DeepChem 文档：ROC-AUC	一致 ✓
原始文献	Subramanian 2016	MoleculeNet 引用 ref 51	一致 ✓
`bace.csv` 行数	实测 623	官方声称 1,513/1,522	❌ 不一致——现行 `bace.csv` 已不完整，见坑 2
MD5	实测 `9a512f1a3483bad46b196db45241b870`	TorchDrug 记录 `ba7f8fa3fdf463a811fa7edea8c982c2`	❌ 不一致——证实文件已变
正类比例	csv 实测 0.4580	—	单一来源（官方未公布）
`Model` 分布	实测 Train 204 / Valid 45 / Test 1,273	—	单一来源（官方未公布）

两处明确的「不一致」都指向同一件事：DeepChem 的 bace.csv 已经在某个时点被改过或损坏，只有 desc_canvas_aug30.csv 还是完整的 1,522 行。这不是我下载出错（重试与断点续传均一致），而是上游文件本身的状态。

§14 与站内其他条目的关系

条目	关系
GEOM（rid 1078）	库内已有 GEOM 含 1,511 个 BACE 构象，但那是三维构象，无活性标签。BACE 是「结构 + 活性」，两者互补：一个给几何，一个给标签
DUD-E（rid 144）	同为分子对接基准，但 DUD-E 是 102 个靶点 + 诱饵集，BACE 是单靶点 + 真实活性。DUD-E 测「能不能区分真假配体」，BACE 测「能不能排序活性」
Matbench（rid 1358）	同为「基准」，但 Matbench 是材料、BACE 是药物；Matbench 有冻结划分，BACE 没有
QMOF（rid 1357）	无直接关系（材料 vs 药物），仅在「都是一个领域的小型公开库」这点上同构

库内空档判断：药物发现方向已有大量靶点-活性数据（ChEMBL、BindingDB），但**「单一靶点、双标签、被用作深度学习基准」这一特定形态此前无专条。BACE 补的是这个位置——它不是最多的数据，而是最常被拿来当第一道验证的那一份**。

§15 三条硬约束

1,522 与 1,513 是两个数，不能混用。前者是记录数（每行一条，CID 唯一），后者是唯一 SMILES 数。9 组 SMILES 各出现两次，其中 2 组 Class 直接冲突——这是标签噪声的硬下界，任何模型都跨不过去。
Model 列不是 scaffold 划分。Model = Test 占 83.6%，这是 Subramanian 原论文的「内部训练 + 外部测试」设计。要用 MoleculeNet 推荐的基准口径，必须显式 splitter='scaffold'。不写划分方式的 AUROC 数字没有意义。
这是「一个化合物系列」，不是「一类分子」。1,513 个分子全是 BACE-1 羟乙胺类抑制剂的衍生物，化学空间高度集中。在 BACE 上的高分不能推论到其他靶点，也不能推论到「通用分子活性预测」。

§16 BACE-1 这个靶点为什么值得单独讲

理解这个数据集的价值，先得理解它测的是什么。

§16.1 靶点的生物学位置

BACE-1（β-site APP cleaving enzyme 1，也叫 β-分泌酶）是一种天冬氨酸蛋白酶，属于胃蛋白酶家族。它在神经元里做的事很具体：

淀粉样前体蛋白（APP）是一种跨膜蛋白；
APP 被 β-分泌酶（BACE-1） 切一刀，产生 C99 片段；
C99 再被 γ-分泌酶 切一刀，释放出 Aβ 肽（主要是 Aβ40 与 Aβ42）；
Aβ42 更容易聚集，是淀粉样斑块的主要成分。

BACE-1 是这条链上的第一步，也是限速步骤。 这就是它成为阿尔茨海默病头号靶点的原因：如果能在第一步就拦住，后面所有病理级联都不会启动。

§16.2 为什么抑制剂难做

BACE-1 的活性位点有两个特点，直接影响了这个数据集的化学空间：

第一，口袋很浅但很长。天冬氨酸蛋白酶的催化位点由两个天冬氨酸（Asp32 与 Asp228）构成，但它们位于一个狭长的裂隙底部。抑制剂必须做成延伸的链状才能同时够到两端。

第二，它需要模拟过渡态。酶催化时把底物的肽键变成四面体过渡态。有效的抑制剂通常带一个羟乙胺（hydroxyethylamine）或羟乙基胺的过渡态类似物，正好卡在催化位点。

这两点叠加的后果：BACE-1 抑制剂的分子量普遍偏大（这个数据集 MW 均值 480）、可旋转键偏多（RB 最大 40）、极性表面积偏高（PSA 均值 99.9）。它们不像典型的「类药小分子」，更像被裁剪过的短肽。

这解释了 §7 的观察：这是一个化合物系列，不是一个多样的化学库。整个系列都围绕同一个药效团做修饰。

§16.3 临床的结局，反而提高了数据集的讨论价值

BACE-1 抑制剂在临床上的记录是连续失败：verubecestat（Merck，III 期终止）、atabecestat（Janssen，II/III 期因肝毒性终止）、lanabecestat（AstraZeneca/Lilly，III 期终止）。

这个结局让 BACE 数据集有了第二层意义：它记录了一批在体外活性很好、但在人体内无效的分子。也就是说，这份数据里的 pIC50 和 Class 标签与临床疗效的相关性很差——这不是数据的缺陷，而是整个「单一靶点体外活性 → 临床有效」这个范式的局限。

实用含义：拿 BACE 训练出的模型，优化的是「体外酶抑制能力」，不是「治疗效果」。这两件事之间的鸿沟，是这个数据集无法弥合的。

§17 595 列的逐块拆解：哪些该留、哪些该丢

595 列看着多，但真正有信息量的可能只有几十列。这一节给一个可操作的筛选思路。

§17.1 高度稀疏的列

拓扑指数那一块（约 200 列）里有大量列几乎全为 0。原因是它们描述的是特定子结构之间的拓扑距离，例如：

Sum of topological distances between P..P (STD(P P)) —— 分子里必须有两个磷原子才有值；
Sum of topological distances between I..I (STD(I I)) —— 必须有两个碘；
Ring Count 15 (RNGCNT15) 到 Ring Count 20 (RNGCNT20) —— 必须有 15 个以上的环。

而 §7 的元素分析显示：全库只有 C、N、O、S、F、Cl、Br、I、H，没有 P、B、Si、Se、As、Sn、Pb、Ge。

所以所有涉及这些元素的列，全库恒为 0。它们不是「稀疏」，是完全无用。粗估这类零方差列有几十列。

§17.2 高相关的列

E-State 指纹的四种形式（_Key / _Cnt / _Sum / _Avg）之间高度相关：

如果某原子环境不存在，四个都是 0；
如果存在，_Cnt、_Sum、_Avg 之间有确定的数量关系（_Avg = _Sum / _Cnt，_Cnt 为 0 时 _Avg 定义为 0）。

这意味着每种原子环境你只需要留 1–2 个形式，而不是 4 个。 80 种环境 × 4 = 320 列，实际独立信息可能只有 80–160 列。

同理，First Zagreb (ZM1) 与 Second Zagreb (ZM2) 这类同族指数之间也高度相关。

§17.3 该保留的核心列

如果只留 20 列做 baseline，我会选：

列	为什么留
`MW`	尺寸，最基础的描述符
`AlogP`	亲脂性，与膜透性直接相关
`PSA`	极性表面积，与口服吸收相关
`HBA` / `HBD`	氢键能力，与靶点结合直接相关
`RB`	柔性，影响构象熵损失
`HeavyAtomCount`	尺寸的另一种度量（比 MW 少受卤素影响）
`RingCount`	环系复杂度
`ChiralCenterCount`	手性复杂度
`MR`	摩尔折射率，与体积/极化率相关
`Estate`	E-State 总和
`Polar`	极性原子数
`First Zagreb (ZM1)`	分支度
`Wiener (W)`	拓扑直径的加权
`Kier flexibility (KF)`	柔性指数
`Balaban distance connectivity index (J)`	连接性
`Valence connectivity index chi-1 (vX1)`	最常用的 Chi 指数
`Topological diameter (TD)`	拓扑跨度
`Petitjean 2D shape (PJ2DS)`	形状各向异性
`Kier benzene-likeliness index (KBLI)`	芳香性程度
`Van der Waals surface area (VSA)`	表面积

这 20 列覆盖了尺寸、极性、柔性、拓扑、芳香性五个维度，是我推荐的「最小可用特征集」。

§17.4 一个反面提醒：不要用 pIC50 派生的列做特征

表里有些列看起来「很有信息」，但可能与标签有隐藏关联。例如 AlogP 与活性之间在 BACE 系列里存在相关性（亲脂性影响穿膜与口袋结合），但它同时是描述符。这不是泄漏——但如果你的模型过度依赖 AlogP，它在 scaffold 划分下会崩得更厉害，因为新骨架的 AlogP 分布与训练集不同。

§18 分类任务的具体做法与陷阱

§18.1 类别不平衡只有 0.458 : 0.542

正类 697、负类 825，比例 0.4580。这个不平衡程度其实很轻——远没有 HIV（阳性约 3.5%）那么极端。

所以：balancing 变换不是必须的。DeepChem 默认开它，是为了让 accuracy 好看，但对 AUROC 影响不大（AUROC 本身对类别比例不敏感）。

建议：如果报 AUROC，可以不开 balancing；如果报 accuracy / F1，要么开 balancing，要么报 balanced_accuracy。

§18.2 阈值不是 0.5 就最优

Class 的判定阈值在 pIC50 上大约在 7 附近（见 §4）。但模型输出的概率与 pIC50 不是线性关系——模型学的是「这个结构属于 Class 1 的概率」，不是「pIC50 是多少」。

所以不要用「概率 0.5」反推 pIC50 阈值。 两者没有可换算关系。

§18.3 AUROC 的局限

AUROC 在类别接近平衡时是合理的指标，但它有一个已知问题：它衡量的是全局排序，不是「高置信度区域的准确性」。

在药物筛选场景里，真正重要的是前 1% 的命中率（因为实验只能测那么多化合物）。这时候 PR-AUC 或 enrichment factor 比 AUROC 更有意义。

MoleculeNet 推荐 AUROC，是为了跨数据集可比，不是因为它最适合这个应用。如果你的目标是虚拟筛选，建议同时报 PR-AUC。

§19 回归任务的具体做法与陷阱

§19.1 pIC50 的分布形态

实测分位：2.54 / 4.02 / 5.59 / 6.77 / 7.55 / 8.40 / 10.52（0/5/25/50/75/95/100 分位）。

分布明显右偏：中位 6.77，均值 6.53，均值低于中位——说明低端有一条长尾（pIC50 低到 2.54，即 IC50 约 2.9 mM，几乎没有抑制能力）。

75 分位 7.55、95 分位 8.40 之间只差 0.85，而 5 分位 4.02 到 25 分位 5.59 差了 1.57。高端压缩、低端拉伸。

后果：直接用 MSE 会让模型过度关注低端的长尾（那些数值大的误差）。建议用 MAE 或 Huber loss，或对 pIC50 做 winsorize（截尾到 5%–95% 分位）。

§19.2 pIC50 的噪声下界

§6.3 已经说了：同一结构两次测定的 pIC50 可以差 2.58 个对数单位。这不只是噪声，是不同实验条件下 IC50 测定本身就不可比。

文献里 IC50 的测定依赖：底物浓度、缓冲液 pH、温度、酶批次、荧光/发光检测方式。跨文献汇总的 pIC50，理论上不该期待比 ±0.3 更精确。

所以：模型 MAE 降到 0.3 以下就该怀疑过拟合了。

§19.3 分类与回归不要混着报

常见错误：在回归任务上算 R²，然后把 R² 当作「分类能力」。或者在分类任务上报 accuracy，然后说「相当于 pIC50 误差 0.5」。

两者不可换算。 分类只用了「是否跨过阈值」这一点信息，回归用了全部数值信息。一个模型的分类 AUROC 高、回归 MAE 差，是完全可能的（反之亦然）。

§20 复现清单：十一条容易出错的地方

用 desc_canvas_aug30.csv，不要用 bace.csv（后者只返回 623 行）。
确认行数是 1,522，不是 1,513。
确认唯一 SMILES 是 1,513——如果去重了，说明你改了数据。
明确说明划分方式：Model 列（原论文）还是 scaffold（MoleculeNet 推荐）。
如果用 scaffold，种子会影响结果，报 5 个种子的均值 ± 标准差。
如果用 Model 列，注意 Test 占 83.6%，训练集只有 204 条。
特征列要从第 6 列开始（前 5 列是 mol、CID、Class、Model、pIC50）。
剔掉 canvasUID（常量列）。
报 AUROC 时说明是否开了 balancing。
报回归时用 MAE 或 Huber，慎用 MSE（右偏分布）。
明写「含 9 组重复 SMILES」，否则别人复现你的数会对不上。

§21 一个可复现的最小实验：用 20 列跑出基线

下面这段代码是我实际验证过语法的，可以直接跑。它用 §17.3 的 20 列特征 + scaffold 划分，给出一个可比的基线。

import pandas as pd, numpy as np
from rdkit import Chem
from rdkit.Chem.Scaffolds import MurckoScaffold
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import roc_auc_score

df = pd.read_csv("desc_canvas_aug30.csv")

CORE = ["MW","AlogP","PSA","HBA","HBD","RB","HeavyAtomCount","RingCount",
        "ChiralCenterCount","MR","Estate","Polar","First Zagreb (ZM1)",
        "Wiener (W)","Kier flexibility (KF)",
        "Balaban distance connectivity index (J)",
        "Valence connectivity index chi-1 (vX1)","Topological diameter (TD)",
        "Petitjean 2D shape (PJ2DS)","Kier benzene-likeliness index (KBLI)"]

# 1. 算 Murcko 骨架
df["scaffold"] = df["mol"].map(
    lambda s: MurckoScaffold.MurckoScaffoldSmiles(Chem.MolFromSmiles(s)))

# 2. 按骨架分组，80/10/10 切分（组级切分，保证同骨架不跨集合）
scafs = df["scaffold"].value_counts().index.tolist()
rng = np.random.RandomState(42); rng.shuffle(scafs)
n = len(scafs)
tr_s = set(scafs[:int(.8*n)]); va_s = set(scafs[int(.8*n):int(.9*n)])

tr = df[df["scaffold"].isin(tr_s)]
te = df[~df["scaffold"].isin(tr_s | va_s)]

# 3. 训练
clf = RandomForestClassifier(n_estimators=500, random_state=42, n_jobs=-1)
clf.fit(tr[CORE], tr["Class"])
print("scaffold AUROC =", round(roc_auc_score(te["Class"],
      clf.predict_proba(te[CORE])[:,1]), 4))

这段代码的三个要点：

骨架切分必须在组级别做。如果先随机切行再算骨架，同一骨架的分子会跨集合，等于没切。
RandomState(42) 是为了可复现；但一个种子不够，正式报告要跑 5 个种子。
这段用了 20 列而不是 590 列。如果你用 590 列，AUROC 可能会高一点，但在 scaffold 划分下增益通常有限——因为大量拓扑列是冗余或零方差的。

预期量级：这个设置在 scaffold 划分下大约落在 0.80–0.86。如果你的数明显高于 0.9，先检查是不是骨架切分写错了（最常见的是在去重后的 mol 上算骨架，导致 9 组重复被分到同一侧）。

§22 这份数据在 2026 年还有用吗

必须诚实回答这个问题：一份 2016 年汇总、2018 年整理成基准、只有 1,513 个分子的数据，今天还有价值吗？

§22.1 作为「基准」的价值在下降

理由：

规模太小。现代分子表征学习动辄用百万级数据（ChEMBL 有 200 万+ 化合物、PubChem 有 1.1 亿）。1,513 条在这个量级面前只能做「微调后的快速验证」。
单一靶点。多任务、跨靶点泛化才是当下的主流问题。
化学空间集中。见 §7，全是同一系列的衍生物，测不出泛化能力。

所以：如果你的目标是「证明我的分子表征模型更强」，BACE 单独一个数据集已经不够了。现在通常要报一整套（BACE + BBBP + Tox21 + SIDER + ClinTox + MUV + HIV），或者干脆用更大的 TDC 基准。

§22.2 作为「教学与调试」的价值仍然很高

理由：

小到可以在笔记本上几分钟跑完。调试 pipeline 时这是巨大优势。
有连续标签（pIC50），可以做回归也可以做分类。
有明确的化学解释（BACE-1 的过渡态类似物设计），结果好解释。
有公认的坑（scaffold vs 随机划分），正好用来教学「为什么划分方式决定一切」。

§22.3 作为「历史锚点」的价值

BACE 是深度学习进入药物发现领域时用的第一批基准之一。它出现在 Duvenaud 2015 的图卷积论文、Subramanian 2016 的 DeepChem 论文、MoleculeNet 2018 里。

引用它，某种意义上是在引用这段历史。 如果你要讨论「图网络在分子性质预测上到底有没有用」，BACE 是那个讨论开始的地方。

§22.4 一个判断

我的结论是：BACE 该留着，但不该单独用。

单独用 → 结论不可信（化学空间太窄）；
作为一套基准的一部分 → 仍然必要（它是「小数据 + 单靶点」这个极端点的代表）；
作为教学案例 → 极好（坑足够多、数据足够小、背景足够清楚）。

§23 与其他「单靶点活性集」的对比

库内与站外都有若干单靶点活性集，放在一起看 BACE 的位置：

数据集	靶点	化合物数	标签	特点
BACE（本条）	BACE-1	1,522（1,513 结构）	pIC50 + 二分类	有连续值，可双口径建模
DUD-E（rid 144）	102 个靶点	约 2.2 万活性 + 约 100 万诱饵	活性/诱饵	多靶点，但诱饵是人造的
hERG	hERG 钾通道	约 1.3 万	阻断/非阻断	心脏毒性，类别不平衡严重
HIV	HIV 复制抑制	41,127	CI/CA/CM	阳性仅约 3.5%，极不平衡
BBBP	血脑屏障	约 2,050	渗透/不渗透	已知存在标注错误

BACE 的独特性：

唯一同时给连续值与二分类的单靶点集（其他要么只有分类，要么只有回归）；
规模最小（1,513 vs 其他都在 2,000 以上）；
化学空间最窄（一个系列 vs DUD-E 的 102 个靶点各一系列）。

和 DUD-E 的关键区别：DUD-E 的负样本是计算生成的诱饵（性质匹配但不结合），BACE 的负样本是实验测出来不结合的化合物。前者规模大但有人造偏倚，后者规模小但标签真实。这是「大数据假标签」与「小数据真标签」的经典对立。

§24 一句话收尾与三条硬约束（复核）

一句话：BACE 是深度学习药物发现的第一块试金石——1,513 个分子、一个靶点、两种标签，小到能在一台笔记本上跑完，窄到只能测「同一系列内的排序能力」。

三条硬约束（与 §15 一致，此处只作复核）：

1,522 是记录数，1,513 是唯一结构数。9 组 SMILES 重复，2 组 Class 冲突 → 标签噪声的硬下界。
Model 列 ≠ scaffold 划分。前者是原论文的「内部训练/外部测试」设计（Test 占 83.6%），后者才是 MoleculeNet 推荐的基准口径。不写划分方式的 AUROC 无意义。
这是「一个化合物系列」——全部是 BACE-1 羟乙胺类过渡态类似物的衍生物。在 BACE 上的高分不可外推到其他靶点，也不代表「通用分子活性预测能力」。

最后一条提醒：BACE-1 抑制剂在临床上的连续失败（verubecestat、atabecestat、lanabecestat）说明，这份数据里「体外活性好」与「临床有效」之间存在真实鸿沟。用这份数据训练的模型，优化的是前者，不是后者。

§25 十五条记录的一生：从文献到 csv

这一节回答一个实操问题：如果你手上有一条 BACE 数据，它经历了什么？ 理解了这条链，就知道哪些环节会引入误差。

§25.1 第一环：湿实验

某实验室合成一个化合物，做 BACE-1 酶抑制实验。

关键变量：

酶来源：重组人 BACE-1（通常在大肠杆菌或 HEK293 里表达），不同批次的活性不同；
底物：常用的是带荧光基团的肽底物（如 MCA-EVKMDAEFK-DNP），不同底物的 Km 不同；
检测方式：荧光强度、FRET、HPLC、质谱——灵敏度与线性范围都不同；
条件：pH（BACE-1 最适 pH 约 4.5，但体外常用 4.0–5.0）、温度（37°C 或室温）、离子强度；
拟合模型：四参数 logistic 还是三参数，是否固定 Hill 斜率。

IC50 是拟合出来的，不是直接测的。 同一个原始数据，用不同拟合方式可以得到差 10–20% 的 IC50。

§25.2 第二环：论文报告

实验室把结果写进论文，通常是「Table 1: IC50 values of compounds 1–50」。报告形式常见三种：

精确值：IC50 = 12 nM
范围：IC50 = 10–20 nM
定性：IC50 > 100 μM 或 not active

第三种最麻烦——「> 100 μM」怎么转成 pIC50？通常是取 100 μM 算 pIC50 = 4.0，但这是一个censored value（删失值），不是实测。

§25.3 第三环：Subramanian 汇总

Subramanian 等从过去十年的文献里手工汇总。这一步的具体规则论文没有完整公开，但从结果能反推出几个事实：

有 9 组 SMILES 重复且值不同（§6）→ 说明同一化合物在多篇文献出现时，没有统一归并，而是都留下了；
有 1 条 Class = 1 但 pIC50 = 2.699（§4）→ 说明 Class 标签不完全由 pIC50 决定，可能参考了原文献的定性结论；
pIC50 最低 2.5445（IC50 约 2.9 mM）→ 说明极弱的化合物也被纳入了。

这三点合起来说明：汇总过程保留了原始的不一致，没有做「清洗」。 这是缺陷也是优点——缺陷是噪声大，优点是保留了真实世界的复杂性。

§25.4 第四环：MoleculeNet 整理

MoleculeNet 拿到这份数据后做了三件事：

算描述符：用 ChemAxon Canvas 算 590 列；
定基准：标为分类任务、推荐 scaffold 划分、推荐 AUROC；
托管：放到 DeepChem 的 S3。

注意：MoleculeNet 没有改标签。 所以 §6 的 9 组重复、§4 的标签冲突，都是从 Subramanian 那里继承下来的，不是 MoleculeNet 引入的。

§25.5 第五环：分发与演化

这一环出过问题。实测结果：

文件	声称行数	实测行数	状态
`desc_canvas_aug30.csv`	1,522	1,522 ✓	完整
`bace.csv`	1,513（分类版）	623 ✗	不完整

bace.csv 的 MD5 实测是 9a512f1a3483bad46b196db45241b870，而 TorchDrug 代码里记录的期望值是 ba7f8fa3fdf463a811fa7edea8c982c2。两个 MD5 不同，说明文件在某个时点被替换过。

这带来一个真实的风险：如果你的代码在 2024 年之前能跑出 1,513 行，现在跑只有 623 行，训练出来的模型会完全不同，而且不会有任何报错。

这是分布式数据集最危险的失效模式：静默截断。

§25.6 给你的建议

锁定文件哈希。把 Content-Length 或 MD5 写进你的实验记录；
在代码里 assert 行数。assert len(df) == 1522，防止静默截断；
备份原始文件。3.7 MB 的文件，本地存一份成本几乎为零。

§26 三个常见的「看起来对但错了」的做法

§26.1 错误做法一：先随机切分，再算骨架

# 错的
train, test = train_test_split(df, test_size=0.2, random_state=42)
df["scaffold"] = df["mol"].map(murcko)   # 切完再算骨架 —— 没用了

为什么错：骨架划分的定义是「同骨架不跨集合」。先切行再算骨架，切分时根本没用到骨架信息。这样得到的还是随机划分。

正确顺序：先算骨架 → 按骨架值分组 → 按组切分。

§26.2 错误做法二：在去重后的数据上算骨架

# 也有问题
df = df.drop_duplicates("mol")
df["scaffold"] = df["mol"].map(murcko)

为什么有问题：这一步本身没错（去重是好事），但它改变了 9 组重复的归属。如果你报的数与别人（没去重）的数相比，会有一点点差异。

关键是要说明：你用的是 1,522 还是 1,513 条，是去重前还是去重后。

§26.3 错误做法三：把 `Model` 列当 scaffold 划分

# 不是错，但会被误解
train = df[df["Model"]=="Train"]; test = df[df["Model"]=="Test"]

这个划分是有意义的（它是原论文的设计），但它不是 MoleculeNet 推荐的基准划分。用它可以，但必须说明：

「我们使用 Subramanian 原论文的划分（内部训练 249 条 / 外部测试 1,273 条），而非 MoleculeNet 推荐的 scaffold 划分。」

不说明就会出现「我的 AUROC 0.93」与别人的「0.82」无法对上，而双方都以为在说同一件事。

§27 这份数据的「分布外」问题

§27.1 三个层面的分布偏移

拿 BACE 训练模型，然后用到别处，会遇到三层偏移：

第一层：化学系列偏移。训练集是羟乙胺类，目标可能是别类骨架。这是最严重的一层。

第二层：靶点偏移。训练是 BACE-1，目标可能是 γ-分泌酶、Tau 激酶。BACE-1 的口袋形状是特定的，学到的「什么让分子结合 BACE-1」对其他靶点近乎无用。

第三层：测定体系偏移。训练用的 IC50 来自文献汇总（多实验室、多条件），目标可能是单一实验室的数据。这个方向反而可能是「更干净」的，因为单一实验室条件一致。

§27.2 一个具体的例子

假设你要预测一批新化合物的 BACE-1 抑制活性：

如果新化合物也是羟乙胺类 → 模型可用，预期 MAE 约 0.5–0.8 个对数单位；
如果新化合物是别类骨架（例如酰胍类、螺环类）→ 模型基本失效，得用 scaffold 划分重新评估才知道有多差。

这就是为什么 §5 强调 scaffold 划分：它模拟的正是「面对新骨架」这个真实场景。

§27.3 怎么检测偏移

最实用的做法：算特征空间的分布距离。

from scipy.spatial.distance import jensenshannon
import numpy as np

# 对每个核心特征，算训练集与测试集的 JS 散度
for col in CORE:
    h1, edges = np.histogram(tr[col], bins=30, density=True)
    h2, _     = np.histogram(te[col], bins=edges, density=True)
    js = jensenshannon(h1 + 1e-9, h2 + 1e-9)
    print(f"{col:45s} JS={js:.3f}")

JS 散度 > 0.3 的列，说明分布差异显著。如果核心特征里有 5 列以上 JS 很高，你的「测试集」实际上不是同分布——分数低是正常的，不该归咎于模型。

§28 与 DeepChem 生态的关系

BACE 之所以流行，很大程度是因为 DeepChem 把它做成了「一行代码」。

§28.1 DeepChem 在分子 ML 里的位置

DeepChem 是 2016 年随 Subramanian 论文一起发布的开源库。它的定位是「分子机器学习的 scikit-learn」——提供数据加载、特征化、模型、评估的完整流水线。

BACE 是它最早内置的数据集之一，也是它文档里的第一个示例。

§28.2 `load_bace_classification` 的完整默认值

load_bace_classification(
    featurizer='ECFP',
    splitter='scaffold',
    transformers=['balancing'],
    reload=True
)

这四个默认值每一个都会改变结果：

ECFP → 用圆形指纹，不用 590 列 Canvas；
scaffold → 严格划分（这是对的）；
balancing → 类别平衡（影响 accuracy）；
reload=True → 用缓存（如果缓存坏了，结果会错且不报错）。

建议：第一次用时把 reload=False 跑一遍，确认真拿到数据。

§28.3 三个替代加载器

TorchDrug：

from torchdrug import datasets
bace = datasets.BACE("~/data")

它的 url 指向 deepchem.io.s3-website-us-west-1.amazonaws.com（http，非 https），MD5 期望 ba7f8fa3fdf463a811fa7edea8c982c2。这个 URL 可能已经失效（实测无响应）。

PyTorch Geometric / OGB：不直接提供 BACE，需要自己转。

scikit-fingerprints：Hugging Face 上有镜像 scikit-fingerprints/MoleculeNet_BACE，1,513 行。

注意：这些加载器返回的行数不一致（1,513 或 1,522），选一个并说明。

§29 最终判断：该不该把 BACE 放进你的训练集

分三种用途回答。

§29.1 用途一：作为「预训练语料」

不该。 1,513 个分子放进去，只会被百万级的别的数据淹没，而且它的化学空间与通用化学空间不同——反而可能引入偏倚。

§29.2 用途二：作为「下游评测任务」

该，但只作为一整套任务中的一个。 单独报 BACE 的结果说服力不足，因为：

规模太小，分数抖动大；
化学空间窄，高分不代表泛化；
数据噪声已知（9 组重复、2 组冲突）。

建议配置：BACE + BBBP + Tox21 + SIDER + ClinTox + MUV + HIV（MoleculeNet 的七件套），或者 TDC 的 ADMET 组。

§29.3 用途三：作为「教学与调试」

最该。 它的三个优点无法替代：

小：全流程几十秒；
有连续标签：能同时练回归与分类；
有明确的已知坑：9 组重复、划分方式、标签冲突——正好用来教「数据质量比模型重要」。

§30 三条硬约束（终版）

1,522 条记录 / 1,513 个唯一 SMILES。9 组 SMILES 各出现两次，其中 2 组 Class 直接冲突、3 组跨训练/测试集合——前者是标签噪声的硬下界，后者是潜在的划分泄漏。不说明这一点，你的复现数就与别人对不上。
Model 列不是 scaffold 划分。它反映 Subramanian 原论文的「内部 249 条训练 / 外部 1,273 条测试」设计，Test 占 83.6%。MoleculeNet 推荐的基准口径是 scaffold 划分 + AUROC，DeepChem 默认也是 scaffold。报数必须写明用的是哪一套。
bace.csv 已不完整（实测 623 行），只有 desc_canvas_aug30.csv 是完整的 1,522 行；且 590 列描述符由 ChemAxon Canvas 计算，不是 RDKit——换工具重算数值不一致，想对齐官方 baseline 必须用原样预计算值。

§31 修订记录与取证说明

§31.1 本条每个数字的来源

数字	来源	核法
1,522 行 / 595 列	`desc_canvas_aug30.csv`	`pandas.read_csv()` 实测 shape
文件 3,921,122 B	S3 响应头 `Content-Length`	`curl -sIL`
1,513 唯一 SMILES	同上 csv	`df['mol'].nunique()`
Class 697 / 825	同上	`value_counts()`
pIC50 六项统计	同上	`describe()`
MW / AlogP / PSA / RB 范围	同上	`min()` / `max()` / `mean()`
`Model` 分布 204 / 45 / 1,273	同上	`value_counts()`
9 组重复 SMILES 及逐组差异	同上	`duplicated('mol', keep=False)` 后 `groupby`
`bace.csv` 623 行	同上（下载实测）	`shape[0]`，1,618,565 B
`bace.csv` MD5 = `9a512f...`	同上	`md5sum`
期望 MD5 = `ba7f8f...`	TorchDrug 源码	源码内 `md5 = "..."` 常量
scaffold 推荐 / AUROC 推荐	MoleculeNet 论文 Table 1 与 3.1.11 节	WebFetch 原文摘句
Subramanian 2016 出处	MoleculeNet 参考文献 51	与期刊页面交叉确认
DeepChem 三处默认值	`deepchem.readthedocs.io` 的 molnet 页	WebFetch 原文
回归版 1522 / 分类版 1513	DeepChem 文档两处 docstring	原文对比

§31.2 本条未核到的

项	情况	处理
逐条数据的原始文献出处	官方不提供「这条来自哪篇论文」的映射	不编。只说「来自文献汇总」
Subramanian 汇总的纳入/排除标准	论文正文未给完整规则	从结果反推三条事实（§25.3），并明写是反推
数据集许可	官方未声明	DAIMS 第 3 项给 0 分并说明原因
版本号 / 发布日期	官方没有	DAIMS 第 2 项给 0 分；建议用 MD5 锁定
`Class` 的判定阈值	官方未公布	从分布反推「约在 pIC50 ≈ 7」，并说明有例外（1 条 pIC50=2.699 却标 1）
`bace.csv` 为何只剩 623 行	无公开说明	只陈述实测事实，不猜测原因

§31.3 一处需要后续核实的观察

bace.csv 的 623 行恰好是 desc_canvas_aug30.csv 的一个子集（623 个 CID 全部能在 1,522 行里找到），且其 Model 分布是 Train 203 / Valid 45 / Test 375。

这个 623 不是随机抽样——它保留了 Valid 的 45 条和几乎全部 Train（203/204），只截掉了 Test 的 1,273 条中的大部分（保留 375）。看起来像是下载过程被截断，而不是文件被有意修改。

但这只是推断。 在官方给出说明前，任何解释都只能是猜测。实际使用请坚持用 desc_canvas_aug30.csv。

§31.4 与上一版的差异

本条目为首次入库，无上一版。若日后 MoleculeNet 或 DeepChem 更新了 BACE 的托管版本，需要复核的项是：行数（1,522）、唯一 SMILES 数（1,513）、bace.csv 的完整性、以及 9 组重复 SMILES 是否被修复。

如果将来 9 组重复被清洗掉了，那说明上游改过数据——这会让所有历史分数失去可比性。 这正是「无版本号」这个缺陷的实际代价。

§31.5 给下游使用者的一句提醒

如果你只打算从这篇里带走一句话，带走这句：这份数据最大的价值不是 1,513 个分子，而是它把一个真实问题完整暴露了出来——同一结构可以有不同的实测活性、同一标签可以由不同判据决定、同一批数据可以因为划分方式不同而给出差 10 个点的分数。

这些不是这份数据的缺陷，是所有「从文献汇总出来的实验数据」的共同处境。BACE 因为小、因为被反复使用，把这层处境显示得特别清楚。用它的人如果不看这层，就只是在刷分数。