信息速览
Davis 激酶亲和力数据集 — 全激酶组药物-靶点 Kd 矩阵 AI-Ready Wikipedia
INFOBOX
| 数据集名称 | Davis 激酶抑制剂亲和力数据集（DAVIS） |
| 英文全称 | Comprehensive analysis of kinase inhibitor selectivity（Davis et al. Kinase Inhibitor Bioactivity） |
| 别名/简称 | DAVIS、Davis Kd dataset、Davis kinase binding、Davis et al. (2011) Kd matrix |
| 疾病分类 | 无直接疾病标签；关联激酶驱动型癌症（ICD-11：2A00-2F9Z 恶性肿瘤 / 2A20.0 慢性髓系白血病 / 2C25 支气管或肺恶性肿瘤，见 §2.1） |
| SNOMED CT | 363346000 Malignant neoplastic disease（关联背景）/ 92814009 Chronic myeloid leukemia（关联背景，见 §2.1b） |
| 数据模态 | 药物-靶点结合亲和力（Kd 矩阵）+ 小分子结构（SMILES）+ 蛋白氨基酸序列 |
| AI 任务类型 | 药物-靶点亲和力（DTA）回归、相互作用二分类、激酶选择性预测、虚拟筛选 |
| 样本总数 | 原始矩阵 72 抑制剂 × 442 激酶；社区标准版 442 激酶 × 68 抑制剂 = 30,056 个 Kd 测量 |
| 数据大小 | 原始补充材料 XLS 297 KB；社区分发版约 2 MB；DeepPurpose 打包版约 10 MB |
| 数据格式 | XLS（原始）/ TXT 矩阵（KronRLS/DeepDTA 版）/ CSV 与 JSON（TDC、DeepPurpose 版） |
| 许可证 | CC BY 4.0（TDC 再分发版本标注）；原始补充材料遵循 Springer Nature 条款 |
| 访问级别 | 开放（无需注册，直接下载） |
| DUO 标签 | 不适用（非人类受试者数据） |
| 语言 | 英文 |
| 首发日期 | 2011-10-30（Nature Biotechnology 论文发表） |
| 最后更新 | 生态持续活跃：TDC 0.3.2 数据修订后为 25,772 pairs（截至 2026-09） |
| 发布机构 | Ambit Biosciences（San Diego, CA；技术现属 Eurofins DiscoverX KINOMEscan 平台） |
| 官方主页 | https://www.nature.com/articles/nbt.1990 |
| 下载地址 | http://staff.cs.utu.fi/~aatapa/data/DrugTarget/drug-target_interaction_affinities_Kd__Davis_et_al.2011.txt |
| DOI | 10.1038/nbt.1990 |
| 引用次数 | 2,055+（Semantic Scholar，截至 2026-09；OpenAlex 收录约 1,700） |
| AI 就绪度评分 | ⭐⭐⭐⭐（4/5）— TDC/DeepPurpose 一键加载、社区基准成熟；扣分项：无官方划分、约 70% 标签为 pKd 5 删失值、蛋白序列各版本不一致 |
| 页面状态 | published |
§0 E-E-A-T 审核声明
- 医学审核者：[千方病案医学编辑部]交叉审核：§2 医学背景（激酶生物学与激酶驱动型癌症）、§7 偏倚分析（删失标签与化学空间偏倚）。
- 数据工程审核者：[千方病案医学编辑部交叉审核] 医疗 AI 数据工程师，审核范围：§4 DAIMS 数据字典、§5 数据划分策略、§6 预处理 Pipeline 和坑点。
- 化学信息学审核者：[千方病案医学编辑部交叉审核] 审核 §6.3 SMILES 规范化与 pKd 变换代码、§6.9 评估指标实现（MSE/CI/rm2）。
- 审核日期：2026-09-05
- 审核依据：§10.3 所列 16 项公开来源；关键数字（30,056、20,931、442、68/72、pKd 范围）逐条溯源至原始论文或分发文档。
医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。
技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。
数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。Davis 激酶数据集原始论文补充材料遵循 Springer Nature 的使用条款，社区再分发版本（TDC）标注为 CC BY 4.0。DUO 标签不适用于本数据集，具体使用限制以数据集官方协议为准。
§1 数据集概览
§1.0 📌 30 秒速览
这是什么？ 2011 年，Ambit Biosciences 团队在 Nature Biotechnology 上发表了一项大规模实验：把 72 种激酶抑制剂（包括后来家喻户晓的伊马替尼、索拉非尼等）逐一投入 442 种人类激酶构成的"池子"里，用竞争结合实验测定每一个药物-激酶对的解离常数 Kd——数值越小，结合越强。这构成了一张覆盖超 80% 人类催化蛋白激酶组的完整亲和力地图。
为什么重要？ 激酶是癌症治疗中最重要的药物靶点家族，而"脱靶"结合既是疗效的来源也是毒性的根源。这张矩阵首次让学界系统地回答"一个激酶抑制剂究竟会打中哪些激酶"，论文至今被引用超过 2,000 次。在 AI 时代，它与 KIBA 并列为药物-靶点亲和力（DTA）预测的两大默认基准，DeepDTA、GraphDTA 等几乎所有主流模型都在它上面比过武。
我能用它做什么？ 训练一个输入"药物 SMILES + 激酶氨基酸序列"的回归模型，预测任意新组合的结合强度；做激酶选择性分析、为孤儿激酶挑选化学探针、虚拟筛选；或者把它当作多任务学习与分子表示预训练的高质量实验金标。
§1.1 技术摘要
数据集的原始形态是一个 72 × 442 的 Kd 矩阵（单位 nM），由 KINOMEscan 平台测定：激酶以 T7 噬菌体融合蛋白或 DNA 标记融合蛋白表达，与固定化活性位点导向配体结合，测试化合物竞争置换后用 qPCR 定量剩余结合量；Kd 由 11 个 3 倍系列稀释浓度点的剂量-响应曲线拟合得出。原始矩阵中空白字段表示"已测试但结合弱（Kd > 10 µM）或 10 µM 初筛未检出"。社区随后将其改造为机器学习友好的长表格式：KronRLS 与 DeepDTA 沿用的标准版保留 68 种可获得 PubChem SMILES 的抑制剂，与 442 种激酶（UniProt 序列）组成 30,056 个药物-靶点对，标签转换为 pKd = -log10(Kd/1e9)，其中 20,931 个（约 70%）为右删失的 pKd = 5 值。TDC、DeepPurpose 等库提供一键下载、划分与单位转换接口。
§1.2 战略价值
基准价值：小而精的金标矩阵。 与动辄数十万对的 BindingDB 相比，Davis 的 30,056 个测量来自同一平台、同一协议、同一时间窗，避免了多源数据库的批次混杂问题——这是它在 DTA 回归评测中长盛不衰的根本原因。同质性使模型间的 MSE/CI 数字具有基本可比性，社区由此沉淀了 KronRLS→SimBoost→DeepDTA→GraphDTA→最新模型的完整演进脉络。
科学价值：选择性数据的实验金标。 矩阵的"全覆盖"特性（每个化合物都测了全部 442 个激酶）使其天然适合选择性建模：论文本身据此发现 II 型抑制剂总体上比 I 型更具选择性（但有重要例外）、存在广谱作用于单个激酶亚家族的 group-selective 抑制剂。对 AI 研究者，它同时支持回归（pKd）与二分类（阈值化相互作用）两种任务范式，且矩阵结构便于冷启动评估（TDC 提供 cold drug / cold protein 划分）。
教学与工程价值：领域标准化的训练场。 Davis 规模适中（<10 MB、单卡数小时可完成 5 折 CV），标签物理含义清晰（Kd 是有严格定义的热力学量），是讲授"分子表示 + 蛋白表示 + 回归头"完整 DTA 流水线的理想教学数据集。围绕它沉淀的工具链（PyTDC/DeepPurpose 一键加载、社区预处理惯例、GraphDTA 统计复检脚本）让新方法可以快速接入可比协议，降低了领域内复现工程的门槛。
§1.3 同类数据集横向对比
| 数据集 | 规模 | 模态 | 标注类型 | 与 Davis 的差异化 |
|---|---|---|---|---|
| Davis（本条目） | 442 激酶 × 68 抑制剂，30,056 测量 | Kd + SMILES + 序列 | 单一平台实验 Kd，同质性强 | 全矩阵覆盖、删失语义清晰、选择性分析金标 |
| KIBA | 2,111 化合物 × 229 蛋白，118,254 交互 | 整合 KIBA score + SMILES + 序列 | Ki/Kd/IC50 模型化融合分数 | 化学空间大得多，但分数是推导值而非直接测量 |
| BindingDB（Kd 子集） | 10,665 药物 × 1,413 靶点，52,284 Kd 对 | 多平台文献 Kd | 文献汇总，批次异质 | 规模大但协议不统一，适合预训练而非干净评测 |
| PDBbind | 共晶复合物结合数据 | 3D 结构 + 亲和力 | 实验亲和力 + 结构 | 提供 3D 结构监督信号，规模小、标注形态不同 |
| DAVIS-complete | 在 Davis 基础上加 4,032 个修饰蛋白对 | Kd + 突变/磷酸化修饰序列 | 补测 + 整理 | 专测"修饰蛋白泛化"这一 Davis 空白场景 |
§1.4 版本时间轴
| 时间 | 版本/事件 | 说明 |
|---|---|---|
| 2011-05-10 | 论文收稿 | Davis et al. 提交 Nature Biotechnology |
| 2011-10-30 | 原始发布 | 72 × 442 Kd 矩阵随论文 Supplementary Table 4 公布（XLS） |
| 2014 | KronRLS 整理版 | Pahikkala et al. 发布标准 txt 矩阵，成为社区事实标准 |
| 2018 | DeepDTA 采用 | 68 化合物 × 442 蛋白 × 30,056 pairs，pKd 标签，成为 DTA 基准 |
| 2021 | DeepPurpose/TDC 接入 | 一键加载 API；TDC 标注 CC BY 4.0 |
| 2023-2026 | TDC 0.3.2 修订 | 统计量更新为 25,772 pairs / 68 drugs / 379 proteins（此前 27,621） |
| 2025-2026 | DAVIS-complete | 加入 4,032 个含突变/翻译后修饰的激酶-配体对 |
§1.5 典型应用场景
- DTA 回归基准评测：输入 SMILES + 激酶序列，回归 pKd，与 KronRLS/DeepDTA/GraphDTA 谱系直接对比（见 §8）。
- 激酶选择性建模：利用全矩阵结构预测化合物的选择性分数（S 分数）或非靶点结合谱。
- 孤儿激酶化学探针推荐：论文核心用例——为缺乏专属抑制剂的激酶寻找可用工具化合物。
- 相互作用二分类与虚拟筛选：以 pKd 5.0 或 Kd 30 nM 为阈值构建分类任务（注意 §6.5 坑点 6）。
- 分子/蛋白表示学习预训练：作为同质性强的中等规模标注集，用于对比学习与多任务微调。
每个场景的典型工作流可概括为一张表：
| 场景 | 输入 | 输出 | 关键评估要求 |
|---|---|---|---|
| DTA 回归基准 | SMILES + 序列 | pKd 预测值 | 三档划分 + 实测子集分层（§8.3） |
| 选择性建模 | 化合物的矩阵行 | 选择性分数/非靶点谱 | 与 Supp Table 5 的 S 分数对照 |
| 工具化合物推荐 | 孤儿激酶的矩阵列 | 候选化合物排序 | 实验验证闭环（KINOMEscan 复测） |
| 虚拟筛选 | 新化合物库 + 激酶 | 强结合候选清单 | 阈值语义声明 + 撤回删失干扰 |
| 表示预训练 | SMILES/序列语料 | 分子/蛋白嵌入 | 下游微调增益消融 |
§2 医学背景
§2.1 疾病与生物学标签映射（ICD-11）
本数据集不携带疾病标签；其靶点（激酶）与下游疾病领域的对应关系如下，供 AI 研究者理解数据的外部效度。
| 概念标签 | ICD-11 编码 | ICD-11 术语 | 与本数据集的关系 |
|---|---|---|---|
| 恶性肿瘤（总类） | 2A00-2F9Z | Malignant neoplasms | 激酶抑制剂的主要治疗领域 |
| 慢性髓系白血病 | 2A20.0 | Chronic myeloid leukaemia | 伊马替尼等 ABL1 抑制剂的适应证，矩阵中含 ABL1 全套测定 |
| 支气管或肺恶性肿瘤 | 2C25 | Bronchus or lung carcinoma | EGFR/ALK 等靶点相关抑制剂覆盖 |
§2.1b 术语映射（SNOMED CT）
| 概念标签 | SNOMED CT 码 | 术语 | 备注 |
|---|---|---|---|
| 恶性肿瘤 | 363346000 | Malignant neoplastic disease | 疾病领域总类，关联背景 |
| 慢性髓系白血病 | 92814009 | Chronic myeloid leukemia | ABL1 靶点代表适应证 |
| 非小细胞肺癌 | 254637007 | Non-small cell lung cancer (disorder) | EGFR 等靶点代表适应证 |
§2.2 生物学背景：蛋白激酶与激酶驱动型癌症
蛋白激酶是催化磷酸基团转移的酶家族，人类基因组编码约 518 种蛋白激酶（Manning et al., Science 2002），通过磷酸化级联调控增殖、凋亡、代谢与免疫应答。激酶活性异常（突变、扩增、融合）是多种癌症的核心驱动事件：BCR-ABL1 融合驱动慢性髓系白血病，EGFR 突变驱动相当比例的肺腺癌，KIT/PDGFRA 突变驱动胃肠间质瘤。据 GLOBOCAN 2022 估计，全球每年新发癌症约 2,000 万例、死亡约 970 万例，肿瘤学因此成为激酶药物研发最集中的领域（来源：IARC GLOBOCAN 2022）。
从药理机制看，绝大多数小分子激酶抑制剂作用于 ATP 结合位点，其选择性由"口袋保守性 × 构象状态"共同决定：I 型抑制剂识别活性构象（DFG-in），天然面对的是全激酶组最保守的区域；II 型抑制剂识别非活性构象（DFG-out）并伸入后方疏水口袋，该构象在激酶组中分布更稀疏，因此选择性上限更高——这正是 Davis 论文用数据证实的核心趋势。理解这一机制背景，才能正确解读矩阵中的行（化合物谱）与列（激酶谱）模式：同一母核的化合物行高度相似，同一亚家族的激酶列亦然。
自 2001 年伊马替尼（BCR-ABL1 抑制剂）获批以来，激酶抑制剂成为最成功的靶向药物类别之一。但激酶 ATP 结合口袋在结构上高度保守，化合物天然存在跨靶点结合（脱靶）：脱靶既能带来"多打一个靶"的意外疗效，也会带来心脏毒性等副作用。因此，一个抑制剂在全激酶组上的结合谱（selectivity profile）是药理学评估的核心数据。
§2.2b 激酶组与抑制剂类型
理解矩阵中的 442 个激酶与 72 个化合物，需要两个基本分类框架：
| 分类维度 | 类别 | 特征 | 与本数据集的关系 |
|---|---|---|---|
| 抑制剂结合模式 | I 型 | 结合 ATP 活性构象（DFG-in），竞争 ATP 位点 | 面板主体；论文发现其选择性总体较低 |
| 抑制剂结合模式 | II 型 | 结合非活性构象（DFG-out），占据后方疏水口袋 | 论文发现其选择性总体更高（伊马替尼为代表） |
| 抑制剂结合模式 | 变构/非 ATP 竞争型 | 结合变构位点，不与 ATP 直接竞争 | KINOMEscan 平台亦可检测此类 |
| 激酶结构 | 催化域 | 约 250-350 aa 的保守激酶结构域 | 测定所用构建体主体 |
| 激酶结构 | 多结构域蛋白 | 催化域 + 调节域/侧翼 | 小型单结构域激酶用全长，其余用催化域 + 侧翼 |
| 激酶家族 | TK/TKL/CMGC/AGC/STE 等 | Manning 分类，进化与结构相关 | 矩阵中同家族激酶的结合谱高度相关，是共线性来源 |
§2.3 本数据集对应的科学任务
Davis 矩阵对应的不是单一临床任务，而是一组层级的药理学计算任务：
| 任务层级 | 定义 | 在本数据中的形态 |
|---|---|---|
| 结合亲和力测定（金标准） | 化合物-激酶解离常数 Kd 的实验测量 | 72 × 442 矩阵，nM 单位 |
| 亲和力预测（AI 任务） | 给定 SMILES + 序列，回归 pKd | 30,056 个药物-靶点对标签 |
| 选择性分析 | 量化化合物结合谱的宽度与偏置 | 论文 S 分数（Supplementary Table 5） |
| 工具化合物推荐 | 为无专属抑制剂的激酶寻找先导 | 矩阵行/列扫描 |
§2.4 数据产生人群与实验体系
本数据集为体外重组蛋白测定，不涉及任何患者或人群。实验体系要点：
| 维度 | 内容 |
|---|---|
| 来源机构 | Ambit Biosciences（美国加州圣地亚哥） |
| 实验对象 | 重组人源激酶催化域（T7 噬菌体融合或 HEK-293 表达 + DNA 标记） |
| 化合物来源 | 临床与临床前激酶抑制剂（多为 2000 年代 ATP 竞争型） |
| 激酶面板 | 442 种，覆盖超 80% 人类催化蛋白激酶组 |
| 测定周期 | 论文 2011-05 收稿，数据集中于 2008-2011 年产生 |
| 环境条件 | 25 °C 孵育 1 h；初筛 10 µM（384 孔板）、Kd 测定（96 孔板） |
§2.5 临床与科研价值
对药物研发，全激酶组亲和力谱直接回答三个问题：候选化合物的主要靶点是什么？它会在哪些激酶上产生脱靶毒性风险？是否存在可利用的次级适应证？对基础研究，矩阵为"没有专属抑制剂的激酶"提供了化学工具入口——论文明确将此列为核心贡献之一。对 AI 研究，它是 DTA 回归的标准考卷：一个模型在 Davis 上的表现已成为该领域论文的例行报告项，与 KIBA 构成双基准体系。
§2.6 金标准对照
| 属性 | 本数据集的形态 |
|---|---|
| 划分方式 | 无官方划分；社区惯例 5 折交叉验证（KronRLS/DeepDTA 谱系）或 TDC 三种划分 |
| 标注方式 | 全部为 KINOMEscan 竞争结合实验直接测定，非文献汇总、非模型推导 |
| 标注者 | 自动化实验平台（qPCR 定量 + 剂量-响应拟合），无人工标注者间一致性概念 |
| 标注性质 | 连续物理量（Kd，nM）；pKd=5 处存在右删失，语义为"结合弱于 10 µM 或未检出" |
| 质控机制 | DMSO 对照、11 点稀释曲线、初筛-复测两级流程 |
§3 数据集规格
§3.0 版本抉择矩阵
Davis 没有单一的"官方机器学习版本"，不同分发渠道的统计量差异显著，选错版本是复现失败的首要原因。
| 你的需求 | 推荐版本 | 大小 | 理由 |
|---|---|---|---|
| 复现 DeepDTA/GraphDTA/KronRLS 论文数字 | KronRLS/DeepDTA 社区 txt 版 | 约 2 MB | SOTA 论文的事实标准：442 × 68 × 30,056，pKd 标签 |
| 一键加载 + 冷启动划分 + 单位转换 | PyTDC DTI(name='DAVIS') |
自动下载 | 提供 Random/Cold Drug/Cold Protein 三种划分，0.3.2 修订后 25,772 pairs |
| 快速原型 + 预训练模型复用 | DeepPurpose load_process_DAVIS() |
约 10 MB | 30,056 pairs（379 条唯一序列），附预训练模型 |
| 原始科学数据与选择性分析 | Nature 补充材料 Supp Table 1/4/5 | XLS 共约 459 KB | 72 × 442 完整 Kd 矩阵 + 激酶/化合物选择性分数 |
| 修饰蛋白泛化研究 | DAVIS-complete（ZhiGroup） | 见仓库 | 增加 4,032 个突变/磷酸化修饰蛋白对 |
§3.1 模态详情
| 模态 | 内容 | 形态 |
|---|---|---|
| 结合亲和力 | 每个药物-激酶对的 Kd 解离常数（nM），社区版转为 pKd = -log10(Kd/1e9) | 72 × 442 矩阵 / 30,056 长表 |
| 小分子结构 | 68（社区版）或 72（原始）种抑制剂的 SMILES；来自 PubChem CID，最长 103 字符、平均 64 字符 | 字符串列表 |
| 蛋白序列 | 激酶氨基酸序列，社区版取自 UniProt（按基因名/RefSeq 登录号），最长 2,549 aa、平均 788 aa | FASTA 式字符串 |
| 选择性元数据 | 激酶面板清单与 S 分数（Supp Table 1）、化合物主靶点与文献活性对比（Supp Table 3）、化合物选择性分数（Supp Table 5） | XLS |
| 相似度矩阵 | 药物-药物 PubChem 2D 相似度（68×68）、靶点-靶点 Smith-Waterman 相似度（442×442），随社区版一并分发 | 方阵 TXT |
模态之间的对齐关系是显式的：矩阵行列索引 → 化合物清单与激酶清单 → SMILES 与序列列表。这正是它"多模态对齐"DAIMS 得分高（§7.7）的原因——不像影像/EHR 数据需要复杂的跨源配准。
§3.2 子集与样本数
| 子集 | 数量 | 说明 |
|---|---|---|
| 原始激酶面板 | 442 | 覆盖 >80% 人类催化蛋白激酶组（Supp Table 1 清单） |
| 原始抑制剂 | 72 | 含伊马替尼、达沙替尼、索拉非尼等临床与临床前化合物 |
| 社区标准版化合物 | 68 | 仅保留可获得 PubChem SMILES 的抑制剂 |
| DeepPurpose 唯一序列 | 379 | 442 条目中多激酶共享同一 UniProt 序列被合并 |
| 修正版激酶 | 433 | 删除 6 条非磷酸化 ABL1、2 条 CDK4-Cyclin 复合物、1 条 FLT3-ITD |
| 社区标准版测量对 | 30,056 | 442 × 68 全组合 |
| 实测（pKd > 5）对 | 9,125 | 30,056 − 20,931 |
| 删失（pKd = 5）对 | 20,931 | Kd > 10 µM 或初筛未检出（约 70%） |
化合物侧的构成（72 个原始抑制剂）可按来源归类理解：既含伊马替尼、达沙替尼、索拉非尼、舒尼替尼等已上市或临床后期药物，也含用于工具研究的临床前化合物；论文 Supp Table 3 给出了每个化合物的主靶点及其与既往文献活性的比对。需要完整 72 个化合物的 SMILES 时，社区惯例是从 PubChem 按 CID 重新检索——社区标准版剔除的 4 个化合物正是当年无法获得可靠 PubChem 记录者（见坑点 2）。
§3.3 数据格式
| 分发渠道 | 格式 | 组织方式 |
|---|---|---|
| Nature 补充材料 | XLS | Supp Table 4 为 72 行 × 442 列 Kd 矩阵，空白 = 删失 |
| KronRLS/DeepDTA | TXT + 文件组 | affinities（442×68 矩阵）、ligands_can.txt、proteins.txt、相似度矩阵 |
| DeepPurpose | ZIP（affinity.txt + 两个 JSON） | 空格分隔 Kd 矩阵 + JSON 字典（SMILES/序列） |
| PyTDC | CSV（自动下载） | 长表：Drug_SMILES / Target / Y |
| DAVIS-complete | GitHub 仓库 | 增补修饰蛋白对与基准脚本 |
§3.4 存储大小
原始 Kd 矩阵（Supp Table 4）为 297 KB 的 XLS；社区 txt 分发版约 2 MB；DeepPurpose 打包 ZIP 约 10 MB。含 SMILES、序列与相似度矩阵（药物-药物 68×68、靶点-靶点 442×442 Smith-Waterman/PubChem 相似度）的完整 DeepDTA 数据目录仍在数十 MB 量级，任何现代工作站均可内存内处理，无需分布式存储。
§3.5 标注方式
全部标签为实验直接测定：KINOMEscan 竞争结合实验（活性位点导向）。生物素化亲和配体固定于链霉亲和素磁珠，激酶-配体结合后加入测试化合物竞争；结合激酶经洗脱后用 qPCR 定量 DNA 标签。初筛在 10 µM 单浓度下进行（384 孔板），检出结合的组合再做 11 点 3 倍稀释的 Kd 精测（96 孔板），以 DMSO 为对照拟合剂量-响应曲线。无任何计算模型推导或文献搬运成分——这与 KIBA（模型融合分数）形成本质区别。
测定协议的关键参数决定了标签的物理语义边界，AI 使用者应熟记：
| 协议参数 | 取值 | 对标签语义的影响 |
|---|---|---|
| 初筛浓度 | 10 µM 单点 | 未检出 = 标签进入删失区，并非"零结合" |
| Kd 精测 | 11 点 3 倍稀释 + DMSO 对照 | 动态范围约 5 个数量级 |
| 删失下界 | Kd > 10 µM → pKd = 5.0 | 20,931 个标签聚集于该值 |
| 结合判向 | 低 Kd = 强结合 | 与 IC50 观感一致，勿反向解读 |
| 孵育条件 | 25 °C、1 h、摇床 | 热力学平衡态测量 |
| 定量方式 | qPCR 计 DNA 标签量 | 信号与结合激酶量成正比，非光学读出 |
§3.6 测量质量与一致性
数据由自动化实验平台产出，不存在"标注者一致性"概念；质量保障来自协议设计：DMSO 阴性对照、11 点稀释的完整剂量-响应曲线、初筛（10 µM 单点）与精测（Kd 曲线）两级确认。论文将测定活性与既往文献值逐化合物比对（Supp Table 3），并报告了选择性分数的系统性统计（Supp Table 5）。需注意单一平台意味着单一批次体系：平台间系统误差无法从数据内部估计（见 §7.1）。
§3.7 采集周期
论文 2011-05-10 收稿、2011-10-30 发表；测定工作在发表前数年内由 Ambit Biosciences 完成（其 2005 年与 2008 年前作使用较小面板，本数据集为面板扩展到 442 后的全量测定）。机器学习社区的使用始于 2014 年 KronRLS 整理版的发布。
§3.8 地域覆盖
体外实验数据，无地理或人群维度。实验产自美国加州圣地亚哥（Ambit Biosciences）。激酶序列对应人源蛋白，化合物的临床开发地域遍布欧美日，但数据本身不携带任何地理标签。
§3.9 平台与设备规格
| 环节 | 规格 |
|---|---|
| 激酶表达 | T7 噬菌体融合（大肠杆菌 BL21 宿主）或 NF-κB 融合（HEK-293 细胞）+ DNA 标记 |
| 亲和树脂 | 链霉亲和素磁珠 + 生物素化活性位点导向配体 |
| 封闭/缓冲 | SeaBlock（Pierce）、1% BSA、0.05% Tween 20、1 mM DTT |
| 反应条件 | 25 °C 摇床孵育 1 h；初筛 384 孔板、Kd 精测 96 孔板 |
| 定量 | 洗脱后 qPCR 定量 DNA 标签（与结合激酶量成正比） |
| 剂量设计 | 11 个 3 倍系列稀释 + DMSO 对照 |
§3.10 深度溯源链
从原始实验到当前 AI 工作流，每个环节都有可引用的节点：
| 环节 | 责任方 | 产物/节点 | 可引用文献或地址 |
|---|---|---|---|
| 实验设计与面板构建 | Ambit Biosciences（Zarrinkar/Treiber 团队） | 442 激酶面板 + 72 化合物测定 | 论文作者贡献声明 |
| 竞争结合测定 | KINOMEscan 平台 | Kd 矩阵 + 选择性分数 | HMS LINCS 协议页 |
| 论文发表与原始数据公开 | Nature Biotechnology | Supp Table 1-5 | DOI 10.1038/nbt.1990 |
| 机器学习格式整理 | Pahikkala et al.（KronRLS） | 442×68 txt 矩阵 | DOI 10.1093/bib/bbu010 |
| 深度学习基准化 | Öztürk et al.（DeepDTA） | pKd 标签 + SMILES/序列文件组 | DOI 10.1093/bioinformatics/bty593 |
| 库级标准化分发 | DeepPurpose / PyTDC | 加载 API + 划分接口 | DeepPurpose 论文 / TDC NeurIPS 2021 |
| 修饰蛋白扩展 | ZhiGroup | DAVIS-complete | arXiv 2512.00708 |
每一跳的转换逻辑（删失填充、pKd 变换、化合物子集化、序列映射）都有文档记录；使用者沿此链可以定位任何统计量差异的来源。
§4 数据结构
§4.0 目录树
社区标准版（DeepDTA 目录形态，KronRLS 数据同源）解压后：
davis/
├── ligands_can.txt # 68 种抑制剂的 SMILES（每行一个）
├── proteins.txt # 442 条激酶氨基酸序列（每行一条）
├── Y # 442×68 亲和力矩阵（pKd，空格分隔，长格式 30,056）
├── drug-drug_similarities_2D.txt # 68×68 PubChem 2D 相似度
├── target-target_similarities_WS.txt # 442×442 Smith-Waterman 相似度
├── drug_MAP.json # （部分整理版）化合物索引映射
└── target_MAP.json # （部分整理版）激酶索引映射
DeepPurpose 版（DAVIS.zip）：
DAVIS/
├── affinity.txt # 68×379 空格分隔 Kd（nM）矩阵
├── SMILES.txt # JSON 字典：化合物名 → SMILES
└── target_seq.txt # JSON 字典：基因名 → 蛋白序列（唯一序列，379 条）
PyTDC 版为长表 CSV（Drug_SMILES、Target、Y 三列核心），由 DTI(name='DAVIS') 自动下载，无需手工解压。
矩阵形态与长表形态可以无损互转，以下是核对脚本（用于验证你手里的版本属于哪一口径）：
import numpy as np
import pandas as pd
def diagnose_matrix(path_txt, n_prots=442, n_drugs=68):
"""社区标准版自检：形状、删失值位置、pKd 范围"""
Y_nm = pd.read_csv(path_txt, header=None, sep=' ').values
assert Y_nm.shape == (n_prots, n_drugs), f'形状异常: {Y_nm.shape}'
pkd = -np.log10(Y_nm / 1e9)
print(f'pKd 范围: {pkd.min():.3f} - {pkd.max():.3f}')
print(f'删失对数 (Kd>=10000): {(Y_nm >= 10000).sum()}') # 应为 20,931
print(f'实测对数: {(Y_nm < 10000).sum()}') # 应为 9,125
return pkd
# def diagnose_tdc(df):
# """TDC 长表自检：0.3.2 版应约 25,772 行、68 化合物、379 序列"""
# print(df.shape, df['Drug_ID'].nunique(), df['Target_ID'].nunique())
§4.1 DAIMS 字段字典
| 字段名 | 类型 | 说明 | 示例值 | AI 用途 | 观测误差 | 信息性缺失编码 | 取值范围 |
|---|---|---|---|---|---|---|---|
| drug_index / SMILES | 文本 | 抑制剂标识与结构 | CC1=C2C=C(...) |
模型药物侧输入 | 规范化方式不同引入不一致 | 无缺失 | 68 或 72 个唯一值 |
| target_index / 序列 | 文本 | 激酶标识与氨基酸序列 | MKKFFDSRREQGG... |
模型靶点侧输入 | 社区版按基因名取全长，与测定域不一致 | 无缺失 | 379-442 条唯一序列 |
| Kd (nM) | 浮点 | 解离常数，纳摩尔 | 3.4、10000 |
回归标签原始形态 | 剂量-响应拟合误差，平台内一致 | 空白 = Kd > 10 µM 或初筛未检出 | >0.01 至删失 10,000 |
| pKd | 浮点 | -log10(Kd/1e9) | 8.4685、5.0 |
回归标签标准形态 | 由 Kd 传递 | pKd=5.0 为右删失聚集值 | 5.0–10.8 |
| 靶点基因名 | 文本 | UniProt 基因名映射 | ABL1、EGFR |
分组/分层抽样 | 同名多亚型风险 | 无缺失 | 442 条目 |
| 化合物主靶点 | 文本 | 论文报告的主靶点（Supp Table 3） | ABL1 |
选择性监督信号 | 文献活性 vs 实测差异 | 无缺失 | 72 条目 |
| censored 标记 | 整数 | 该对是否为删失值（pKd=5） | 1（删失）/0（实测） |
分层评估、删失感知损失 | 由 Kd 与下界比较得出，无额外误差 | 无缺失 | 0/1 |
| split 划分索引 | 文本 | TDC/自建划分的折归属 | train/valid/test |
复现与工件管理 | 划分方法本身引入的差异 | 无缺失 | 3-5 个取值 |
§4.2 标签分布
pKd 分布呈强烈的双峰结构：pKd = 5.0 处聚集 20,931 个（69.6%）删失值；pKd > 5 的 9,125 个实测值从 5.0+ 连续延伸到约 10.8，峰值约在 pKd 7 附近（DeepDTA 论文 Figure 1A）。这意味着直接做回归时，模型把所有样本预测为 5.0 附近即可获得约 0.7 的"基线命中率"——多数 published MSE 数字都被这个删失峰显著压低（见坑点 1）。做二分类时，正负样本比约为 9,125 : 20,931（约 1 : 2.3），中度不平衡。
| 分布区段 | 数量级 | 语义 | 建模提示 |
|---|---|---|---|
| pKd = 5.0（删失峰） | 20,931 | Kd > 10 µM 或初筛未检出 | 回归时用删失感知处理；分类时为阴性 |
| pKd 5–6（弱结合实测） | 实测子集内少数 | 刚过检出线的弱结合 | 边界区，预测最易失真 |
| pKd 6–9（中强结合） | 实测子集主体 | 典型药物-靶点亲和力 | 回归信号的主要来源 |
| pKd > 9（强结合） | 少数 | 纳摩尔级以下强结合 | 罕见值，冷启动下最不可靠 |
§4.3 关键统计
| 统计项 | 数值 | 来源 |
|---|---|---|
| 测量对总数 | 30,056（442 × 68） | DeepDTA 论文 Table 1 |
| 删失值占比 | 20,931 / 30,056 ≈ 69.6% | DeepDTA 论文 §2.1 |
| pKd 实测范围 | 约 5.0–10.8 | DAVIS 社区文档 |
| SMILES 长度 | 平均 64，最长 103 字符 | DeepDTA 论文 Figure 1B |
| 蛋白序列长度 | 平均 788，最长 2,549 aa | DeepDTA 论文 Figure 1C |
| 靶点序列相似度 | 92% 蛋白对 Smith-Waterman ≤60% | DeepDTA 论文 §2.1 |
| DeepPurpose 唯一序列数 | 379 / 442 | DeepPurpose 文档 |
§4.4 数据层级
数据天然为三层结构，无纵向嵌套（无患者→检查→序列→切片式的层级）：
| 层级 | 实体数量 | 内容 | 层间关系 |
|---|---|---|---|
| 化合物层 | 68（社区版）/ 72（原始） | SMILES、主靶点注释 | 一个化合物 × 全部激酶 = 矩阵一行 |
| 靶点层 | 442 条目 → 379 唯一序列 | 基因名、序列、家族归属 | 一个激酶 × 全部化合物 = 矩阵一列 |
| 交互层 | 30,056 对 | Kd/pKd 标签 + 删失标记 | 行列交叉即一条记录 |
与影像数据不同，这里没有患者→检查→序列→切片的纵向嵌套；"重复"概念对应同一药物-靶点对的多条记录（社区标准版无重复，每对恰一条）。注意 442 个面板条目含突变体与复合物条目（如 ABL1 非磷酸化形式、CDK4-Cyclin 复合物），映射到唯一序列时会塌缩到 379 条——条目（assay entry）与唯一蛋白序列（unique sequence）是两个不同的计数口径，跨版本对比时必须分清。
§4.5 缺失值与信息性缺失
| 缺失形态 | 语义 | 推荐处理 |
|---|---|---|
| 原始矩阵空白单元格 | 已测试但 Kd > 10 µM，或 10 µM 初筛未检出——右删失，非随机缺失 | 保留为 pKd=5 删失标签或明确标记，禁止当 0 或直接删除 |
| 社区长表中的 pKd=5 | 上述空白的显式化填充 | 回归时用删失感知损失/分层评估；分类时作为阴性 |
| TDC 0.3.2 版"缺失"的 20,771 对 | TDC 修订版仅保留实测对（25,772 pairs），删失对被移除 | 复现旧论文必须用旧版本或社区标准版 |
| 序列/SMILES 缺失 | 社区标准版无（68 化合物均已补齐 SMILES） | 无需处理 |
§5 划分与使用建议
§5.1 官方划分
不存在。原始论文与补充材料均未提供机器学习划分。任何声称"官方划分"的说法都不准确；复现时以引用的先行论文划分逻辑为准。
§5.2 社区惯例划分
| 惯例 | 内容 | 使用者 |
|---|---|---|
| 5 折交叉验证（全随机） | 对 30,056 对随机分 5 折，循环训练验证 | KronRLS（Pahikkala 2014）→ SimBoost → DeepDTA → GraphDTA 谱系 |
| TDC Random Split | 80/10/10 随机划分 | PyTDC get_split() 默认 |
| TDC Cold Drug Split | 测试集化合物在训练中从未出现 | PyTDC |
| TDC Cold Protein Split | 测试集激酶在训练中从未出现 | PyTDC |
| DeepPurpose 随机划分 | 默认 70/10/20 + random_seed | DeepPurpose data_process() |
§5.3 泄漏风险（重点）
- 类似物跨划分泄漏：68 个化合物全部来自激酶抑制剂化学空间，结构高度相似的类似物（如同一母核的甲氨基替换物）散布矩阵各处；随机划分会把"同一化合物的类似物"分到训练与测试两侧，模型只需内插即可得高分。冷启动化合物划分是对症的检验。
- 同序列跨划分泄漏：442 个面板条目塌缩到 379 条唯一序列后，同一序列（不同条目名）若同时出现在训练与测试集，等于测试靶点被"看过"。深究时应在唯一序列层面划分。
- 删失峰的统计泄漏：约 70% 标签集中在 pKd=5，随机划分后测试集同样 70% 是 5——模型即使毫无亲和力知识，仅学"恒预测 5"即可压低 MSE。评估必须同时报告实测子集（pKd>5）指标。
- 相似度矩阵辅助特征泄漏：社区数据附带的药物-药物/靶点-靶点相似度矩阵由全体标签参与推导（KronRLS/SimBoost 用法），若在划分后直接复用会引入标签泄漏。
- 化合物子集不一致的"隐性泄漏"：若训练用 68 化合物版本、而对比论文用含 72 化合物的口径，评估集的化合物分布悄然不同；同理 TDC 修订版只含实测对，删失阴性缺失会使分类任务的正负比完全改变。
划分操作的参考实现（TDC 三档划分一行调用）：
from tdc.multi_pred import DTI
data = DTI(name='DAVIS')
random_split = data.get_split(method='random') # 80/10/10 随机
cold_drug = data.get_split(method='cold_drug') # 测试化合物未见
cold_protein = data.get_split(method='cold_protein') # 测试激酶未见
# 建议三档结果并列报告，并保存 split['train'].index 与随机种子
§5.4 交叉验证建议
沿用 5 折 CV 报告均值（可跨论文对比），但额外报告一组 TDC Cold Drug/Cold Protein 结果作为泛化性下界；分层抽样建议按化合物分层，保证每折覆盖全部 68 个化合物；随机种子与划分索引随代码发布，避免"同名划分、实际不同"。
折叠构造的两种稳妥姿势：
- 按化合物分层的 GroupKFold：以化合物为组，5 折轮换，保证任何一折的测试侧都含全部 68 化合物的样本——与社区"矩阵列级留出"的传统等价，适合与旧论文对齐。
- 按唯一序列分组的 GroupKFold：以 379 条唯一序列为组，规避坑点 4 中"同序列跨折"的隐性泄漏，适合作为严格口径的补充结果。
两种口径并列报告时，在表格中注明分组键（compound vs unique sequence），可让读者自行对齐历史数字。
§5.5 外部验证建议
在 Davis 上训练的模型推荐依次向三类外部数据外推：KIBA（同家族、更大化学空间）、BindingDB Kd 子集（跨平台 Kd）、PKIS/PKIS2 等独立测定的激酶面板数据。更严格的检验是 DAVIS-complete 基准（含 4,032 个修饰蛋白对），专门检验"wild-type 过拟合"问题——已有证据显示免对接模型在修饰蛋白上显著退化（见 §7.8）。
§6 AI 就绪指南 ⭐
§6.0 云端快速启动
数据体量小于 10 MB，任何环境均可内存内运行；推荐 Google Colab（免费 GPU 即够）。最快路径是 PyTDC 一键加载：
# Colab 环境：一行安装
!pip install PyTDC rdkit-pypi
§6.1 快速上手（PyTDC 路径）
# 目录结构预期：无手工准备，PyTDC 自动下载到 ~/.tdc/
# data_root 拼接关系：TDC 内部使用 Harvard Dataverse DOI 10.7910/DVN/21LKWG，
# 首次运行自动下载 DAVIS.csv 至本地缓存目录；离线环境需预置缓存。
# 最小可用子集：整个数据集即最小可用单元（30,056 行，内存 <100 MB）
from tdc.multi_pred import DTI
data = DTI(name='DAVIS') # 自动下载，返回表头为
# Drug_ID / Drug_SMILES? 实际列名以打印为准
print(data.get_data().head()) # 检查列名：Drug_ID, Target_ID, Y（或近似）
df = data.get_data()
print(df.shape) # TDC 0.3.2：25,772 行（实测对）；注意与 30,056 的差异
print(df['Y'].min(), df['Y'].max()) # Kd (nM) 或 log 尺度，取决于版本，务必核实
split = data.get_split() # 默认 Random Split: train/valid/test
print(split['train'].shape, split['valid'].shape, split['test'].shape)
# 冷启动划分（强烈建议同时报告）
cold_drug = data.get_split(method='cold_drug')
cold_prot = data.get_split(method='cold_protein')
单位警告：TDC 返回的 Y 尺度随版本演进有过变化（原始 nM 与 log 尺度都出现过），加载后必须先检查数值范围再建模——pKd 应在 5–10.8 之间，原始 nM 应在 0.01–10,000 之间。若范围不对，用 data.convert_to_log() 类接口显式转换。
§6.2 数据获取（四种渠道）
| 渠道 | 获取方式 | 形态 | 适用 |
|---|---|---|---|
| 社区标准版（KronRLS/DeepDTA） | 直接下载 drug-target_interaction_affinities_Kd__Davis_et_al.2011.txt |
442×68 Kd 矩阵 TXT，约 2 MB | 复现经典基准 |
| DeepPurpose | load_process_DAVIS() 自动从 GitHub 下载 DAVIS.zip |
affinity.txt + 2 个 JSON，约 10 MB | 快速原型/预训练模型 |
| PyTDC | DTI(name='DAVIS') 自动从 Harvard Dataverse 下载 |
长表 CSV | 冷启动划分、现代工作流 |
| 原始论文 | Nature 补充材料页面下载 Supplementary Table 4 | XLS 297 KB，72×442 原始矩阵 | 选择性分析/原始核对 |
# 渠道 1：手动下载社区标准版（442×68 Kd 矩阵，nM，0 表示删失）
# 注意：该 txt 中删失对以 10000 表示，实测对为真实 Kd
import urllib.request
url = ('http://staff.cs.utu.fi/~aatapa/data/DrugTarget/'
'drug-target_interaction_affinities_Kd__Davis_et_al.2011.txt')
urllib.request.urlretrieve(url, 'davis_kd_matrix.txt') # 约 2 MB
# 渠道 2：DeepPurpose 一键
# from DeepPurpose import dataset
# X_drug, X_target, y = dataset.load_process_DAVIS(
# path='./data', binary=False, convert_to_log=True, threshold=30)
# 返回：X_drug (30,056 条 SMILES)、X_target (30,056 条序列)、y (pKd)
§6.3 预处理全流程
从社区标准 txt 到可训练张量的完整流水线：
import numpy as np
import pandas as pd
# ---------- 步骤 0：加载矩阵 ----------
# davis_kd_matrix.txt：442 行（激酶）× 68 列（化合物），单位 nM，删失值 = 10000
Y_nm = pd.read_csv('davis_kd_matrix.txt', header=None, sep=' ').values # (442, 68)
drugs = [l.strip() for l in open('ligands_can.txt')] # 68 SMILES
prots = [l.strip() for l in open('proteins.txt')] # 442 序列
assert Y_nm.shape == (len(prots), len(drugs))
# ---------- 步骤 1：pKd 变换 ----------
# pKd = -log10(Kd / 1e9)；Kd=10000nM -> pKd=5.0（删失）
pkd = -np.log10(Y_nm / 1e9) # (442, 68)，范围约 5.0-10.8
assert pkd.min() >= 5.0 - 1e-6
# ---------- 步骤 2：矩阵 -> 长表 ----------
rows = []
for i, seq in enumerate(prots):
for j, smi in enumerate(drugs):
rows.append((smi, seq, pkd[i, j], Y_nm[i, j] >= 10000.0)) # 末列=删失标记
df = pd.DataFrame(rows, columns=['smiles', 'seq', 'pkd', 'censored'])
print(df['censored'].mean()) # ≈0.696，核对删失占比
# ---------- 步骤 3：SMILES 规范化（RDKit） ----------
from rdkit import Chem
def canon(smi):
m = Chem.MolFromSmiles(smi)
return Chem.MolToSmiles(m) if m else None
df['smiles'] = df['smiles'].map(canon)
assert df['smiles'].notna().all() # 68 化合物应全部可解析
# ---------- 步骤 4：序列清洗与截断 ----------
# DeepDTA 惯例：蛋白截断/填充至 1200 字符，SMILES 至 85 字符
MAX_SEQ, MAX_SMI = 1200, 85
df['seq'] = df['seq'].str.slice(0, MAX_SEQ)
# ---------- 步骤 5：划分（分层：按化合物 + 删失状态） ----------
from sklearn.model_selection import train_test_split
train_df, tmp_df = train_test_split(df, test_size=0.3,
stratify=df['smiles'], random_state=42)
val_df, test_df = train_test_split(tmp_df, test_size=0.5,
stratify=tmp_df['smiles'], random_state=42)
§6.4 PyTorch DataLoader 完整代码
import torch
from torch.utils.data import Dataset, DataLoader
class DavisDataset(Dataset):
"""Davis pKd 回归数据集。
输入：SMILES 整数编码 + 蛋白序列整数编码，标签 pKd。
词表沿用 DeepDTA 惯例：SMILES 64 类，氨基酸 25 类。"""
def __init__(self, df, max_smi=85, max_seq=1200):
self.smi_vocab = {c: i + 1 for i, c in
enumerate(sorted({c for s in df['smiles'] for c in s}))}
self.aa_vocab = {c: i + 1 for i, c in
enumerate(sorted({c for s in df['seq'] for c in s}))}
self.max_smi, self.max_seq = max_smi, max_seq
self.df = df.reset_index(drop=True)
def _encode(self, s, vocab, maxlen):
ids = [vocab[c] for c in s][:maxlen]
return ids + [0] * (maxlen - len(ids)) # 0 = padding
def __len__(self):
return len(self.df)
def __getitem__(self, idx):
r = self.df.iloc[idx]
x_smi = torch.tensor(self._encode(r['smiles'], self.smi_vocab, self.max_smi))
x_seq = torch.tensor(self._encode(r['seq'], self.aa_vocab, self.max_seq))
y = torch.tensor([r['pkd']], dtype=torch.float32)
return x_smi, x_seq, y
def collate(batch):
smi, seq, y = zip(*batch)
return (torch.stack(smi), torch.stack(seq),
torch.cat(y).view(-1).float())
train_ds = DavisDataset(train_df)
train_dl = DataLoader(train_ds, batch_size=128, shuffle=True,
collate_fn=collate, num_workers=2, pin_memory=True)
val_dl = DataLoader(DavisDataset(val_df), batch_size=256,
shuffle=False, collate_fn=collate)
# 训练目标：MSE(pred_pkd, true_pkd)；评估见 §6.9
§6.5 坑点 8 个（真实失败模式）
⚠️ 坑点 1：把 pKd=5 删失值当普通回归标签（分类：标签理解）
问题：30,056 个标签中 20,931 个（约 70%）被填充为 pKd=5.0——它们表示"Kd > 10 µM 或 10 µM 初筛未检出"的右删失，不是精确测量值。把它们当作连续真值回归，会让 MSE 系统性偏低、相关性虚高：模型只要学会"多数时候预测 5"就能拿到好看的分数。
症状：训练后残差图呈"十字"形——一条水平线贴在 y=5（或 x=5）上；预测值直方图在 5 附近异常堆积；实测子集（pKd>5）上的 MSE 远高于全体。
解决：
- 简单方法：全体指标之外，必须单独报告 pKd>5 实测子集的 MSE/CI。
- 进阶方法：对删失样本使用删失感知损失（如对 pKd≤5 的样本只惩罚 pred > 5 的单侧误差，即 Tobit 风格损失）。
- SOTA 方法：把删失对独立建二分类头（多任务：回归 + 结合/非结合），或采用排序损失（CI 优化）回避删失值的绝对值语义。
参考：DeepDTA 论文明确指出 pKd=5 为 true negatives（Öztürk et al., Bioinformatics 2018, 34(17):i821-i829, DOI 10.1093/bioinformatics/bty593）。
⚠️ 坑点 2：72 vs 68 化合物、442 vs 379/433 序列的版本混淆（分类：工程陷阱）
问题：原始矩阵是 72 抑制剂 × 442 激酶；社区标准版只保留 68 个可获得 PubChem SMILES 的抑制剂；DeepPurpose/DeepDTA 的靶点侧只有 379 条唯一序列（多条目共享序列被合并）；修正版又变成 433。用 A 版本的化合物清单去对 B 版本的标签矩阵，形状对不上或悄然错位。
症状：矩阵索引与 SMILES/序列列表长度不一致；加载正常但结果整体系统性偏差；与论文数字对不上却查不出 bug。
解决：
- 简单方法：加载数据后立即断言
Y.shape == (len(proteins), len(drugs))并打印唯一化合物/序列数。- 进阶方法：锁定一种分发渠道（推荐 TDC 或社区标准版二选一），全流程不混用。
- SOTA 方法：需要 72 化合物完整性时回到原始 Supp Table 4；需要干净序列时用 dingyan20 修正版（433 激酶）并在论文中声明版本。
参考：https://github.com/dingyan20/Davis-Dataset-for-DTA-Prediction ；DeepPurpose 文档。
⚠️ 坑点 3：Kd 单位与 log 变换混乱（分类：预处理陷阱）
问题：同一数据集在生态里存在三种标签形态——原始 Kd（nM）、pKd = -log10(Kd/1e9)（5.0–10.8）、DeepPurpose 的 “p” 尺度。忘记转换或重复转换会让损失函数直接爆炸（nM 量级下 MSE 达 10⁶）或范围错乱。TDC 不同版本的返回尺度也发生过变化。
症状：首个 epoch loss 高达数千（忘转 log）；预测值范围 5–10.8 却拿来与 nM 标签比（双重转换）；不同论文 MSE 无法对齐。
解决：
- 简单方法：加载后断言标签范围：pKd 应在 [5, 10.8]，nM 应在 (0, 10,000]。
- 进阶方法：统一用 pKd = -log10(Kd/1e9) 作为内部标准，边界处（Kd 恰为 10,000 nM）先做判断再变换。
- SOTA 方法：在 Dataset 类内封装
label_unit检查，配置文件显式声明标签单位，训练日志打印标签 min/max。
参考：DeepDTA 论文 Equation (1)；TDC 数据处理文档（log 转换建议）。
⚠️ 坑点 4：随机划分下的类似物泄漏（分类：数据泄漏）
问题：68 个化合物全属激酶抑制剂化学空间，母核相同的类似物众多；随机 5 折划分会把同一母核的化合物分进训练与测试两侧，模型内插即可得高分。经典论文的 MSE/CI 均在此设置下取得，直接用来宣称"可泛化到新化合物"是过度解读。
症状：Random Split 上 CI≈0.89，换成 Cold Drug Split 掉到明显更低；模型对训练集化合物的类似物预测准、对全新骨架失效。
解决：
- 简单方法：同时报告 TDC Cold Drug / Cold Protein 划分结果。
- 进阶方法：按 Bemis-Murcko 骨架聚类后分组划分（GroupKFold），保证同骨架不同跨折。
- SOTA 方法：报告 cold drug + cold protein + 双冷启动三档结果，并以 Tanimoto 相似度分布说明划分隔离程度。
参考：TDC DTI 任务页（三种划分定义）；GraphDTA 对模型失效模式的错误分析（Nguyen et al., Bioinformatics 2021, 37(8):1140-1147, DOI 10.1093/bioinformatics/btaa921）。
⚠️ 坑点 5：靶点序列全长与测定催化域不一致 + 社区版序列错误（分类：预处理陷阱）
问题：KINOMEscan 测的是激酶催化域构建体（小激酶用全长、多结构域激酶用催化域 + 侧翼），而社区版标签配的序列是按基因名从 UniProt 取的全长蛋白（最长 2,549 aa）。更深一层：442 个面板条目含突变体与复合物，DeepDTA 版按基因名检索序列，导致 ABL1 非磷酸化变体、FLT3-ITD、CDK4-Cyclin 复合物等条目的序列与实际测定对象不符，修正版删除了这 9 条。
症状：序列长度分布远超催化域典型长度（250-350 aa）；同一基因多个条目对应同一条序列；突变体条目的亲和力预测系统性偏差。
解决：
- 简单方法：训练前按催化域长度截断或用域注释（如 Pfam）切出催化域。
- 进阶方法：改用修正版（433 激酶）或 DAVIS-complete 的注解序列。
- SOTA 方法：以 AlphaFold/UniProt 域坐标提取 ATP 结合域片段输入模型，与测定对象对齐。
参考：HMS LINCS KINOMEscan 协议描述（全长 vs 催化域构建体规则）；https://github.com/dingyan20/Davis-Dataset-for-DTA-Prediction 。
⚠️ 坑点 6：二分类阈值的选择性误用（分类：评估误用）
问题：把 Davis 变成二分类任务时，不同工具默认阈值不同：DeepPurpose 默认 30 nM，而 pKd=5（10 µM）是删失天然阈值。阈值选择同时改变正负样本比（从约 1:2.3 到 1:大几十），AUPR 等指标完全不可比。更隐蔽的错误是把删失阴性当作"确证无结合"。
症状：换库后 AUC/AUPR 大幅变化；论文间二分类数字无法复现；阴性类被当作真阴性灌入排序评估。
解决：
- 简单方法：在配置中显式写死阈值与语义（Kd < 30 nM 为"强结合"），并报告该阈值下的正负样本比。
- 进阶方法：做多阈值敏感性分析（30 nM / 1 µM / 10 µM），展示结论稳健性。
- SOTA 方法：保留回归头 + 阈值化评估，避免把删失信息压缩成二元标签后再训练。
参考：DeepPurposeload_process_DAVIS(threshold=30)源码；DeepDTA 论文对 pKd=5 的定性。
⚠️ 坑点 7：跨论文基准数字直接比较（分类：评估误用）
问题：同一张"Davis leaderboard"上，KronRLS 报 MSE 0.379、DeepDTA 0.261、最新模型 0.167——但划分方式（5 折随机 / 80-10-10 / 冷启动）、标签尺度（Kd vs pKd）、化合物数（68 vs 72）、评估子集（全体 vs 实测）都不同。数字相减得出的"SOTA 提升"经常是划分差异的假象。
症状：复现的 MSE 与论文差 0.05-0.1；两篇论文 CI 相同但 MSE 相差数倍；"提升"在换一种划分后消失。
解决：
- 简单方法：对比前核对四要素——划分、标签尺度、化合物清单、评估子集。
- 进阶方法：在自建统一划分下重跑公开代码（DeepDTA/GraphDTA 均开源），以同一协议对比。
- SOTA 方法：引用带划分代码与种子的评测框架（TDC/DAVIS-complete），报告多划分均值与置信区间。
参考：MolRes-DTA/DTBAffinity 等近期论文的对比表口径差异；GraphDTA 附带的统计复检脚本（Zenodo 10.5281/zenodo.3603523）。
⚠️ 坑点 8：TDC 版本漂移与下载源依赖（分类：工程陷阱）
问题：TDC 的 DAVIS 统计量在 0.3.2 更新中从 27,621 对变为 25,772 对（68 drugs / 379 proteins），旧教程与新版本行为不一致；且 TDC 数据托管于 Harvard Dataverse（DOI 10.7910/DVN/21LKWG），Dataverse 维护窗口期下载会失败。DeepPurpose 的数据则打包在 GitHub 仓库 URL 上，链接失效同样发生过。
症状：同一脚本今天 27,621 行、明天 25,772 行；CI 上偶发下载失败；论文与代码仓库统计量对不上。
解决：
- 简单方法：首次下载后将缓存目录纳入项目数据层（固定 MD5），CI 不再重复下载。
- 进阶方法：锁定 PyTDC 版本号 + 记录数据文件哈希；准备社区标准 txt 版作为镜像数据源。
- SOTA 方法：数据加载层实现双源 fallback（Dataverse 失败时切换 KronRLS txt），并在 README 记录两源的语义差异（实测对 vs 全矩阵）。
参考：TDC DTI 任务页版本统计注记；Harvard Dataverse 状态页说明。
§6.6 数据增强（安全 / 危险）
| 操作 | 判定 | 说明 |
|---|---|---|
| SMILES 非规范枚举（随机 SMILES） | ✅ 安全 | 不改变分子图语义，等效于图增强，可缓解文本模型的过拟合 |
| 分子图随机遮蔽/子图采样 | ✅ 安全 | 配合 GNN 使用，注意保持官能团完整性 |
| 蛋白序列随机突变 | ❌ 危险 | 单点突变即可剧烈改变结合（矩阵内即含突变体条目），标签不再有效 |
| 对删失标签做插值/软标签 | ❌ 危险 | pKd=5 的真实值可能是 10 µM 也可能是"完全测不到"，任何插值都是虚构数据 |
| 跨数据集混合（Davis + KIBA） | ⚠️ 需谨慎 | KIBA score 与 pKd 尺度不同，须先做尺度对齐研究，见 §8.4 |
§6.7 模型推荐
| 模型类型 | 代表 | Davis 上的参考表现 | 适用场景 |
|---|---|---|---|
| 核回归 | KronRLS | MSE 0.379 / CI 0.781 | 小样本快速基线、可解释相似度建模 |
| 描述符 + 梯度提升 | SimBoost / DTBAffinity | MSE 0.282 → 0.1885 / CI 0.872 → 0.9102 | 特征工程路线、表格化基线 |
| 双 CNN 序列编码 | DeepDTA | MSE 0.261 / CI 0.878 | 序列端到端经典基线 |
| 分子图 + 序列 CNN | GraphDTA | MSE 0.229 / CI 0.893 | 化学结构感知的默认选择 |
| 注意力/图 Transformer 谱系 | MATT-DTI、PocketDTA、MolRes-DTA | MSE 0.229 → 0.167 / CI 0.890 → 0.908 | 冲击 SOTA、可解释性研究 |
§6.8 硬件需求
| 配置 | 显卡/内存 | 预期表现 |
|---|---|---|
| CPU-only | 8 GB 内存 | 全数据集加载与 KronRLS/SimBoost 训练，分钟级 |
| 入门 GPU | 8 GB（如 RTX 3060） | DeepDTA/GraphDTA 全量训练，单 epoch 秒级，全程 <1 h |
| 推荐配置 | 16 GB+ 显存 | 图 Transformer / 预训练模型微调，全量 5 折 CV 数小时内 |
§6.9 评估指标代码
import numpy as np
def mse(y, p):
return float(np.mean((y - p) ** 2))
def concordance_index(y, p):
"""CI：随机配对中排序正确的比例（DeepDTA 谱系标准指标）"""
i, j = np.triu_indices(len(y), k=1)
s = (y[i] != y[j])
i, j = i[s], j[s]
correct = ((p[i] > p[j]) & (y[i] > y[j])) | \
((p[i] < p[j]) & (y[i] < y[j]))
ties = (p[i] == p[j])
return float((correct.sum() + 0.5 * ties.sum()) / len(i))
def rm2(y, p):
"""修正 R2：要求回归线过原点的 R0 不劣于 R2"""
r2 = 1 - np.sum((y - p) ** 2) / np.sum((y - y.mean()) ** 2)
k = np.sum(y * p) / np.sum(y ** 2)
r2_0 = 1 - np.sum((y - k * p) ** 2) / np.sum((y - y.mean()) ** 2)
return float(r2 * (1 - abs(r2 - r2_0) ** 0.5))
def evaluate(y, p, censored):
"""强制分层：全体 + 实测子集（坑点 1）"""
out = {'MSE_all': mse(y, p), 'CI_all': concordance_index(y, p)}
m = ~censored
out['MSE_measured'] = mse(y[m], p[m])
out['CI_measured'] = concordance_index(y[m], p[m])
out['rm2_measured'] = rm2(y[m], p[m])
return out
§6.10 MLOps 笔记
- 数据版本化：把 txt/CSV 原件 + MD5 一并入仓，训练配置中记录数据版本（社区版 / TDC 0.3.2），杜绝坑点 8 的静默漂移。
- 指标监控：训练曲线同时画
MSE_all与MSE_measured；若两者差距持续扩大，说明模型正在退化为"恒预测 5"。 - 划分复现：划分索引（fold assignment）作为工件保存并与模型权重绑定；报告指标时附带划分指纹。
- 数据卡：模型卡中声明训练数据的删失比例、化合物清单版本与阈值语义（若做分类）。
- 外部验证门禁：上线前模型必须在至少一种冷启动划分与一个外部数据集（KIBA/BindingDB 子集）上重估，防止"随机划分幻影泛化"。
推荐随实验入库的数据卡配置样例：
# data_card.yaml —— 与训练 run 绑定
dataset: davis
distribution_channel: community_kronrls_txt # 或 tdc / deeppurpose
data_files:
matrix: davis_kd_matrix.txt
smiles: ligands_can.txt
proteins: proteins.txt
n_pairs_expected: 30056
n_censored_expected: 20931
pkd_range: [5.0, 10.8]
split:
method: random_5fold # 或 tdc_cold_drug / tdc_cold_protein
seed: 42
fold_index_artifact: splits/fold_assignment_v1.json
label_unit: pkd # 断言失败即中止训练
assertions:
shape: [442, 68]
unique_compounds: 68
censored_ratio_max: 0.75
§6.10 之外的整体质量门（与 §7 对应）
把 §7 的结论工程化，训练流水线应内置四道门：数据门（行数/形状/范围断言）、标签门（删失比例与分层指标）、划分门（划分指纹与冷启动必测）、外部门（至少一个外部数据集重估）。四道门全部通过再进入模型选型比较，可避免本数据集绝大多数已知的复现陷阱。
§7 质量评估与局限性
§7.1 已知偏倚
| 偏倚类型 | 描述 | 严重程度 | 缓解措施 |
|---|---|---|---|
| 化学空间偏倚 | 72 个化合物几乎全部为 2000 年代的 ATP 竞争型激酶抑制剂，骨架集中 | 高 | 外部验证时混入多样骨架库；对未见骨架做冷启动评估 |
| 靶点家族偏倚 | 面板偏向癌症相关激酶（受体酪氨酸激酶等），覆盖 >80% 激酶组但密度不均 | 中 | 分家族分层抽样；报告分家族指标 |
| 删失偏倚 | 约 70% 标签右删失于 pKd=5，弱结合区间信息被压缩 | 高 | 删失感知损失/分层评估（坑点 1） |
| 单平台测量偏倚 | 全部数据来自 KINOMEscan 单一协议，平台系统误差不可内部估计 | 中 | 与 BindingDB 中同靶点文献值交叉核对；跨平台复测关键对 |
| 删失峰统计偏倚 | 随机划分下测试集同样约 70% 为删失值，指标被压低 | 高 | 强制报告实测子集指标（§6.9） |
§7.2 标注质量
标签全部来自同一实验平台的两级流程（10 µM 初筛 → 11 点稀释 Kd 精测），有 DMSO 对照与剂量-响应曲线拟合的内部质控；论文还把实测值与既往文献活性逐化合物比对（Supp Table 3）。因此"标注者一致性"这一概念不适用，质量上限由测定协议决定：Kd 动态范围约 5 个数量级，删失下界 10 µM 明确。主要质量风险不在测量而在映射：社区版把标签接到按基因名检索的全长序列上，个别突变体/复合物条目映射错误（已在 §6.5 坑点 5 详述）。
可核验的交叉证据有三类：一是 Supp Table 3 的实测-文献活性比对（化合物层面）；二是 2024 年 Nature Communications 研究把 347 个新化合物-激酶对再次送 Eurofins DiscoverX 用同平台 KdELECT 协议复测，证明十余年后协议仍可复现；三是 BindingDB 收录的同靶点文献数据可用于抽查平台一致性。三者都指向：矩阵内部一致性高，风险集中在"映射到 AI 输入"的环节而非测量本身。
§7.3 泛化性
| 场景 | 失效风险 | 证据 |
|---|---|---|
| 预测全新骨架化合物 | 高 | 冷启动化合物划分下性能系统性下降；GraphDTA 错误分析显示少数化合物贡献了不成比例的误差 |
| 预测全新激酶 | 高 | Cold Protein 划分为专用检验；面板未覆盖的激酶（<20%）外完全无监督信号 |
| 预测突变/修饰激酶 | 高 | DAVIS-complete 评测显示免对接模型过拟合 wild-type、在修饰蛋白上显著退化 |
| 绝对亲和力可信度 | 中 | 删失峰占 70%，弱结合端绝对值不可信；实测区间内数字更可靠 |
| 跨平台外推（文献 IC50 等） | 中 | KINOMEscan Kd 与功能实验（如细胞效力）间存在已知偏差，需正交数据校准 |
§7.4 伦理
数据集为重组蛋白体外测定，不涉及人类受试者、动物实验或个人身份信息，无需伦理审批与去标识化。伦理相关的合理使用问题集中在下游：模型预测结果用于虚拟筛选时仍需实验验证与常规药物安全性评估；不应基于预测直接做出临床决策。双用途风险极低：数据不涉及生物制剂合成路径或危险因子操作信息，仅包含公开文献级的结合亲和力与结构信息。
§7.5 公平性
本数据集不含人群维度（无年龄、性别、种族变量），经典意义上的算法公平性评估不适用。需要关注的对应问题是靶点与骨架的覆盖公平：面板对非肿瘤激酶与 2000 年代主流骨架之外的化学空间覆盖稀疏，模型在这些"少数群体"上的表现应单独报告。若模型用于指导孤儿激酶（缺乏研究投入的靶点）的工具化合物选择，应显式声明训练分布中该家族的样本量，避免把"覆盖稀疏"误读为"不可成药"。
§7.6 数据漂移
数据集本身是封闭快照，不会漂移；漂移风险在于生态层：TDC 修订（27,621 → 25,772 pairs）已经造成分发版本统计量变化，未来版本仍可能变动。使用方应把数据文件哈希纳入实验追踪，把"加载数据行数与范围断言"作为训练流水线的固定第一步。另一个时间维度是化学空间的时间性：面板反映 2011 年前的抑制剂设计风格（以 ATP 竞争型为主），当下变构抑制剂、共价抑制剂与分子胶等新模态在该数据上无监督信号，模型外推到新模态时应视为分布外。
§7.7 DAIMS 24 项检查
| # | 检查项 | 状态 | 说明 |
|---|---|---|---|
| 1 | 宽格式支持 | ✅ | 原始形态即 72×442 矩阵，长表可无损往返转换 |
| 2 | 唯一标识 | ✅ | 化合物（SMILES/PubChem CID）与靶点（基因名/登录号）均有标识；交互对在社区版内唯一 |
| 3 | 特殊字符处理 | ⚠️ | SMILES 含 *#=\ 等字符，TSV/CSV 导入易断列，需引号保护 |
| 4 | 重复行检查 | ✅ | 社区长表每药物-靶点对恰一条，无重复 |
| 5 | 缺失编码 | ⚠️ | 原始空白为删失语义，社区版填 10000 nM，无统一 sentinel 声明 |
| 6 | 标签标识 | ✅ | 标签单位（Kd nM / pKd）在主要分发文档中均有说明 |
| 7 | 罕见类分组 | ⚠️ | 部分激酶仅 1-2 个化合物有实测亲和力，冷启动下信息极少 |
| 8 | 偏倚评估 | ⚠️ | 化学空间与靶点家族偏倚明确存在，需外部数据交叉验证 |
| 9 | 数据字典 | ✅ | DeepDTA/DeepPurpose/TDC 均提供字段与文件说明 |
| 10 | 信息性缺失解释 | ✅ | 空白 = Kd > 10 µM 或初筛未检出，官方论文明确定义 |
| 11 | 设备记录 | ✅ | 平台、反应条件、剂量设计在论文与 LINCS 协议中完整记录 |
| 12 | 共线性检查 | ✅ | 靶点间 Smith-Waterman 相似度已随数据分发，可直接诊断 |
| 13 | 编码映射 | ⚠️ | 基因名 → UniProt 映射在社区版存在突变体/复合物错误映射 |
| 14 | 时间戳处理 | ❌ | 无逐条测量时间戳，批次信息不可恢复 |
| 15 | 划分建议 | ✅ | 社区 5 折 CV 惯例 + TDC 三种划分接口完整 |
| 16 | 泄漏讨论 | ⚠️ | 类似物泄漏与删失峰问题明确但社区论文少有显式处理 |
| 17 | 标签分布 | ✅ | DeepDTA 论文给出分布图；删失峰占比可由数据直接复算 |
| 18 | 测量偏倚 | ⚠️ | 单平台单协议，平台间误差不可内部估计 |
| 19 | 外部验证建议 | ✅ | KIBA/BindingDB/DAVIS-complete 构成清晰的外推路径 |
| 20 | 版本记录 | ⚠️ | 原始无版本号；社区版本多（KronRLS/DeepDTA/TDC 0.3.2）且统计量有漂移 |
| 21 | 预处理脚本 | ✅ | DeepPurpose/PyTDC 提供加载与转换脚本；DeepDTA 附预处理代码 |
| 22 | 合规要求 | ✅ | CC BY 4.0（TDC 版），开放下载，无附加限制 |
| 23 | 多模态对齐 | ✅ | 矩阵天然对齐三个模态（亲和力/SMILES/序列），索引关系明确 |
| 24 | 去标识化 | ✅ | 无人类数据，无需去标识化 |
DAIMS 评分：19 / 24（✅×15、⚠️×8、❌×1，✅ 计 1 分、⚠️ 计 0.5 分）
评分解读：这是一个"实验金标、工程欠账"的数据集——测量质量与文档透明度（设备记录、信息性缺失定义、多模态对齐）达到顶级；失分集中在机器学习工程层：无版本号体系、无逐条时间戳、编码映射存在历史错误、删失标签需要使用者自行理解语义。
对你意味着什么：可以直接把它当作 DTA 回归的干净考卷使用，但必须做四件事——（1）锁定分发版本并记录哈希；（2）加载后断言形状、唯一数与标签范围；（3）所有评估强制分"全体/实测子集"两层并附冷启动划分；（4）若用全长序列输入，检查突变体与复合物条目映射或改用修正版。
§7.8 外部验证矩阵
| 外部数据集/场景 | 来源机构 | 评估任务 | 性能指标 | 相对内部变化 | 关键发现 |
|---|---|---|---|---|---|
| DAVIS-complete 修饰蛋白基准 | ZhiGroup（arXiv 2025） | wild-type → 修饰蛋白零样本泛化 | 回归 MSE / 相关性 | 显著下降（免对接模型） | 免对接模型过拟合 wild-type；对接类模型零样本泛化更好；少样本微调可显著缓解 |
| KIBA | Tang et al. 2014 | 同任务跨数据集迁移 | MSE / CI | 系统性差异 | 标签尺度不同（KIBA score vs pKd），需先做尺度对齐；KIBA 化学空间更大、删失峰更弱 |
| 独立 KINOMEscan 复测 | Eurofins DiscoverX（Nature Comms 2024 研究委托） | 347 个化合物-激酶对的实验验证 | 新测 Kd/抑制率 vs 预测 | 平台内一致 | 证明 KINOMEscan 协议在十余年后仍可复现，Davis 数据可作为可复测金标 |
| GraphDTA 失效分析 | Nguyen et al. 2021 | 模型误差结构 | 分化合物误差分布 | 少数化合物贡献主要误差 | 揭示"内插高分"现象，支持坑点 4 的类似物泄漏判断 |
§8 基准性能与生态
§8.1 排行榜（Davis，pKd 回归，社区随机/5 折设置）
| 排名 | 模型 | MSE ↓ | CI ↑ | 年份 | 关键技术 | 完整引用 | 代码 |
|---|---|---|---|---|---|---|---|
| 1 | MolRes-DTA | 0.167 | 0.908 | 2026 | 分子多视角融合 + 残基感知 | Li et al., 2026, Digital Discovery. DOI 10.1039/D5DD00365B | 未公开 |
| 2 | PocketDTA | 0.177 | 0.903 | 2025 | 口袋感知图网络 | 见发表刊综述对比表, 2025, Drug Discovery Today 谱系 | 未公开 |
| 3 | DTBAffinity | 0.1885 | 0.9102 | 2026 | 描述符 + ESM 嵌入 + XGBoost | Alazmi, 2026, Computers 15(3):182. DOI 10.3390/computers15030182 | 未公开 |
| 4 | TEFDTA | 0.199 | 0.890 | 2024 | 知识迁移增强 | 见发表刊综述对比表, 2024 | 未公开 |
| 5 | DTAP | 0.199 | 0.898 | 2026 | 统一图 Transformer 联合预测 | 见 Briefings in Bioinformatics 27(1):bbag069, 2026. DOI 10.1093/bib/bbag069 | 未公开 |
| 6 | GraphDTA | 0.229 | 0.893 | 2021 | 分子图神经网络 | Nguyen et al., 2021, Bioinformatics 37(8):1140-1147. DOI 10.1093/bioinformatics/btaa921 | https://github.com/thinng/GraphDTA |
| 7 | MATT-DTI | 0.229 | 0.890 | 2022 | 多头注意力 | 见发表刊综述对比表, 2022 | 未公开 |
| 8 | DeepDTA | 0.261 | 0.878 | 2018 | 双 CNN 序列编码 | Öztürk et al., 2018, Bioinformatics 34(17):i821-i829. DOI 10.1093/bioinformatics/bty593 | https://github.com/hkmztrk/DeepDTA |
| 9 | SimBoost | 0.282 | 0.872 | 2017 | 相似度特征 + 梯度提升 | He et al., 2017, J Cheminform 9:24. DOI 10.1186/s13321-017-0209-z | https://github.com/hetong007/SimBoost |
| 10 | KronRLS | 0.379 | 0.781 | 2014 | Kronecker 核正则化最小二乘 | Pahikkala et al., 2015, Brief Bioinform 16(2):325-337. DOI 10.1093/bib/bbu010 | https://github.com/aatapa/RLScore |
⚠️ 数值不可直接比较的原因：各论文使用的化合物清单（68 vs 72）、标签尺度（pKd vs Kd）、划分协议（5 折随机 / 80-10-10 / 自定义）、评估子集（全体 vs 实测）不完全一致，且多数近期模型未公开基于同一划分的重跑结果。排名仅反映各论文自报数字的相对位置，不构成严格同协议对比（见坑点 7）。
§8.2 SOTA 总结与选型建议
Davis 上的竞争集中在 pKd 回归：经典基线（DeepDTA/GraphDTA）已把 CI 推到 0.878-0.893，近年模型主要在 0.89-0.91 的窄区间内争夺 MSE 小数点后两位。对多数工程场景，GraphDTA 或其后续图网络是性价比最高的起点；表格化特征路线（DTBAffinity 类）在 CPU 上即可达到可比性能，适合快速迭代；核方法（KronRLS）保留为可解释基线。冲击发表级结果时，必须补齐冷启动与实测子集两层评估——这正是当前多数论文的盲区。
选型可按三个问题收敛：（1）有无 GPU 与时间预算——无则选 SimBoost/DTBAffinity 路线，有则选 GraphDTA 系；（2）是否需要分子级可解释性——需要则选图网络 + 注意力可视化，核方法提供相似度层面的解释；（3）目标读者是评审还是工程——评审场景补齐 §8.3 全协议，工程场景优先考虑模型能否在冷启动划分下保持可用。
§8.3 评测协议
社区默认协议：442×68 全矩阵展开为 30,056 对；pKd = -log10(Kd/1e9) 标签；5 折随机交叉验证或 80/10/10 随机划分；指标 MSE（越低越好）+ CI（越高越好），部分论文加 r2/rm2；不含冷启动的报告需声明。进阶协议：TDC Random/Cold Drug/Cold Protein 三档 + 实测子集分层指标（本 Wiki 推荐）。
| 协议要素 | 社区默认（2014-2021 谱系） | 本 Wiki 推荐（严格版） |
|---|---|---|
| 数据口径 | 30,056 对（68 化合物） | 同左，另报实测子集 9,125 对 |
| 划分 | 5 折随机 CV / 80-10-10 | 三档：随机 + cold drug + cold protein |
| 标签 | pKd | pKd + 删失标记列 |
| 指标 | MSE、CI | MSE、CI、rm2，各分"全体/实测"两层 |
| 报告要求 | 单值 | 均值 ± 标准差 + 划分指纹（种子/索引） |
§8.4 相关数据集
| 数据集 | 规模 | 关系 | 差异要点 |
|---|---|---|---|
| KIBA | 2,111 化合物 × 229 蛋白 × 118,254 对 | 姊妹基准 | 融合分数非直接测量；无删失峰；化学空间大 30 倍 |
| BindingDB Kd 子集 | 10,665 药物 × 1,413 靶点 × 52,284 对 | 大规模外推场 | 多平台文献汇总，异质性强 |
| DAVIS-complete | Davis + 4,032 修饰蛋白对 | 直接扩展 | 专攻修饰蛋白泛化评测 |
| PKIS/PKIS2 | 独立激酶抑制剂面板 | 正交验证 | GSK/SGC 出品，结构多样性刻意设计 |
| PDBbind | 共晶复合物 + 亲和力 | 结构监督源 | 为 3D 模型提供结构标签 |
§8.5 关键论文 Top 8
- Davis MI, Hunt JP, Herrgard S, et al. Comprehensive analysis of kinase inhibitor selectivity. Nature Biotechnology 29(11):1046-1051, 2011. DOI 10.1038/nbt.1990 — 原始测定论文，全激酶组 Kd 矩阵与选择性分数体系。
- Fabian MA, Biggs WH, Treiber DK, et al. A small molecule-kinase interaction map for clinical kinase inhibitors. Nature Biotechnology 23(3):329-336, 2005. DOI 10.1038/nbt1068 — KINOMEscan 方法奠基，38 抑制剂 × 317 激酶前作。
- Karaman MW, Herrgard S, Treiber DK, et al. A quantitative analysis of kinase inhibitor selectivity. Nature Biotechnology 26(1):127-132, 2008. DOI 10.1038/nbt1358 — 引入 S 分数量化选择性。
- Pahikkala T, Airola A, Pietilä S, et al. Toward more realistic drug-target interaction predictions. Briefings in Bioinformatics 16(2):325-337, 2015. DOI 10.1093/bib/bbu010 — KronRLS，Davis 机器学习整理版来源。
- He T, Heidemeyer M, Ban F, et al. SimBoost: a read-across approach for predicting drug-target binding affinities utilizing gradient boosting and feature cross-selection. Journal of Cheminformatics 9:24, 2017. DOI 10.1186/s13321-017-0209-z — 特征工程路线代表。
- Öztürk H, Özgür A, Ozkirimli E. DeepDTA: deep drug-target binding affinity prediction. Bioinformatics 34(17):i821-i829, 2018. DOI 10.1093/bioinformatics/bty593 — 深度学习路线奠基，定义了 Davis 基准的现代用法。
- Nguyen T, Le H, Quinn TP, et al. GraphDTA: predicting drug-target binding affinity with graph neural networks. Bioinformatics 37(8):1140-1147, 2021. DOI 10.1093/bioinformatics/btaa921 — 分子图表示路线，附系统的错误分析与统计复检。
- Huang K, Fu T, Gao W, et al. Therapeutics Data Commons: Machine Learning Datasets and Tasks for Drug Discovery and Development. NeurIPS Datasets and Benchmarks, 2021 — TDC 基准平台论文，Davis 的现代分发与划分标准。
补充两条背景锚点文献：
- Manning G, Whyte DB, Martinez R, Hunter T, Sudarsanam S. The protein kinase complement of the human genome. Science 298:1912-1934, 2002. DOI 10.1126/science.1075762 — 人类激酶组清点（约 518 种），442 面板覆盖度叙述的基准。
- Tang J, Szwajda A, et al. Making sense of large-scale kinase inhibitor bioactivity data sets: a comparative and integrative analysis. J Chem Inf Model 54(3):735-743, 2014. DOI 10.1021/ci400709d — KIBA 数据集论文，Davis 的姊妹基准。
§8.6 社区活跃度
Davis 是 DTA 领域引用最广的两个基准之一（原始论文 Semantic Scholar 收录 2,055 次引用，截至 2026-09，且近十年引用持续）。生态活跃度体现在三个层面：一是工具层，TDC 与 DeepPurpose 把它列为默认 DTI 基准并持续维护，PyTDC 在 PyPI 上的稳定发布保障了接入便利；二是研究层，GraphDTA、DeepDTA 仓库长期作为新论文复跑起点，2024-2026 年仍有顶刊论文以它为第一评测场（如 Nature Communications 2024 多数据类型融合研究委托 Eurofins 复测并引用其协议），近年 DTA 新方法几乎默认同时报告 Davis 与 KIBA；三是演进层，DAVIS-complete（2025）等衍生基准直接针对其修饰蛋白盲区扩展，说明社区在主动修补而非放弃这个基准。
§8.7 生态快照
| 资源 | 类型 | 链接 | 推荐理由 |
|---|---|---|---|
| PyTDC | Python 库 | https://github.com/mims-harvard/TDC | 一键加载 + 三种划分 + 数据处理工具，社区标准入口 |
| DeepPurpose | Python 库 | https://github.com/kexinhuang12345/DeepPurpose | 15 种编码器组合 + 预训练模型，最快原型路径 |
| DeepDTA 仓库 | 代码+数据 | https://github.com/hkmztrk/DeepDTA | 经典基线原始实现与数据文件 |
| GraphDTA 仓库 | 代码+数据 | https://github.com/thinng/GraphDTA | 图神经网络基线 + 统计复检脚本 |
| RLScore（KronRLS） | Python 库 | https://github.com/aatapa/RLScore | 核方法基线 |
| DAVIS-complete | 基准仓库 | https://github.com/ZhiGroup/DAVIS-complete | 修饰蛋白泛化评测前沿 |
| HMS LINCS KINOMEscan | 数据门户 | https://lincs.hms.harvard.edu/db/datasets/20170/ | 同平台其他化合物的补充测定数据 |
§9 相关资源与引用
§9.1 官方资源
- 论文全文与补充材料：Nature Biotechnology, DOI 10.1038/nbt.1990（Supp Table 4 = 原始 72×442 Kd 矩阵）
- PubMed 记录：PMID 22037378
- TDC 任务页（含加载代码与划分说明）：tdcommons.ai/multi_pred_tasks/dti
- DeepPurpose 文档：deeppurpose.readthedocs.io
- KronRLS 社区数据目录：staff.cs.utu.fi/~aatapa/data/DrugTarget
- HMS LINCS 平台页（同源 KINOMEscan 数据）：lincs.hms.harvard.edu
§9.2 BibTeX 引用块
@article{davis2011comprehensive,
title = {Comprehensive analysis of kinase inhibitor selectivity},
author = {Davis, Mindy I. and Hunt, Jeremy P. and Herrgard, Sanna and
Ciceri, Pietro and Wodicka, Lisa M. and Pallares, Gabriel and
Hocker, Michael and Treiber, Daniel K. and Zarrinkar, Patrick P.},
journal = {Nature Biotechnology},
volume = {29},
number = {11},
pages = {1046--1051},
year = {2011},
doi = {10.1038/nbt.1990}
}
@article{ozturk2018deepdta,
title = {DeepDTA: deep drug--target binding affinity prediction},
author = {{\"O}zt{\"u}rk, Hakime and {\"O}zg{\"u}r, Arzucan and Ozkirimli, Elif},
journal = {Bioinformatics},
volume = {34},
number = {17},
pages = {i821--i829},
year = {2018},
doi = {10.1093/bioinformatics/bty593}
}
@article{pahikkala2015toward,
title = {Toward more realistic drug--target interaction predictions},
author = {Pahikkala, Tapio and Airola, Antti and Pietil{\"a}, Sami and
Shakyawar, Sushil and Szwajda, Agnieszka and Tang, Jingyuan and
Aittokallio, Tero},
journal = {Briefings in Bioinformatics},
volume = {16},
number = {2},
pages = {325--337},
year = {2015},
doi = {10.1093/bib/bbu010}
}
@inproceedings{huang2021tdc,
title = {Therapeutics Data Commons: Machine Learning Datasets and Tasks
for Drug Discovery and Development},
author = {Huang, Kexin and Fu, Tianfan and Gao, Wenhao and Zhao, Yue and
Roohani, Yusuf and Leskovec, Jure and Coley, Connor W. and
Xiao, Cao and Sun, Jimeng and Zitnik, Marinka},
booktitle = {Proceedings of Neural Information Processing Systems,
NeurIPS Datasets and Benchmarks},
year = {2021}
}
§9.3 引用指南
使用原始科学数据请引 Davis et al. 2011（第一引用）+ 所用分发渠道论文（TDC 或 DeepPurpose）；使用社区 30,056 对标准版做基准评测，请同时引 Pahikkala et al. 2015（整理版）与 DeepDTA（pKd 协议）；使用冷启动划分请引 TDC 2021。
§9.4 常见获取问题速查
| 问题 | 处理方式 |
|---|---|
| TDC 下载失败（Dataverse 维护窗口） | 切换社区标准 txt 镜像（§6.2 渠道 1）或稍后重试 |
| 需要 72 个化合物的完整 SMILES | 从原始 Supp Table 4/3 起步，按 PubChem CID 逐一检索补齐 |
| 需要 Kd 原始 nM 值 | 用社区标准 txt（含 10,000 删失值）或原始 XLS；TDC 版请先确认 Y 的单位 |
| 需要清洗后的蛋白序列 | 使用 dingyan20 修正版（433 激酶）或 DAVIS-complete 注解 |
| 复现 2018-2021 论文数字 | 锁定 KronRLS txt + DeepDTA pKd 协议 + 5 折随机 CV，勿用 TDC 0.3.2 |
| 二分类阈值如何声明 | 在数据卡中写死阈值与正负比（见 §6.10 配置样例） |
§10 AI 使用声明卡
§10.1 AI 模型列表
| 模型 | 用途 | 版本/说明 |
|---|---|---|
| fast-model（CodeBuddy Code 内置对话式大语言模型） | 本条目初稿撰写、事实整合、代码示例编写 | 由千方病案医学编辑部部署，2026-09 运行 |
§10.2 AI 参与范围
AI 负责检索结果的归纳整理、正文起草、代码示例编写与表格排版；事实性内容（规模数字、协议细节、基准数字）全部来自 §10.3 所列检索来源，AI 不引入来源之外的数字；医疗与技术免责声明、INFOBOX 结构、DAIMS 框架由人工规范固定；最终内容经人工审核（§10.4）。
| 工作项 | AI 参与 | 人工把关 |
|---|---|---|
| 事实检索与核实（6 次 WebSearch） | 执行检索、摘录 | 核对来源 URL 与原文一致性 |
| FACTS.md 事实简报 | 起草 | 逐条审订，标注主题信息勘误 |
| 正文撰写（§0-§10、§C） | 起草 | 医学/数据工程/化学信息学三线审核 |
| 代码示例（§6） | 编写 | 逻辑走查与 API 口径核对 |
| 数字与引用格式 | 汇编 | 千分位/日期/单位逐项复核 |
§10.3 输入来源列表
- Davis MI, Hunt JP, Herrgard S, et al. Comprehensive analysis of kinase inhibitor selectivity. Nature Biotechnology 29(11):1046-1051, 2011. DOI 10.1038/nbt.1990. https://www.nature.com/articles/nbt.1990
- PubMed 记录 PMID 22037378. https://pubmed.ncbi.nlm.nih.gov/22037378/
- Springer Nature Link 论文页（补充材料清单与作者信息）。https://link.springer.com/article/10.1038/nbt.1990
- HMS LINCS AB-1010 KINOMEscan 数据集页（assay 协议全文）。https://lincs.hms.harvard.edu/db/datasets/20170/
- Öztürk H, et al. DeepDTA. Bioinformatics 34(17):i821-i829, 2018. DOI 10.1093/bioinformatics/bty593. https://arxiv.org/pdf/1801.10193v2
- Nguyen T, et al. GraphDTA. Bioinformatics 37(8):1140-1147, 2021. DOI 10.1093/bioinformatics/btaa921. https://academic.oup.com/bioinformatics/article/37/8/1140/5942970
- TDC DTI 任务页（DAVIS/KIBA/BindingDB 统计与划分）。https://tdcommons.ai/multi_pred_tasks/dti/
- DeepPurpose benchmark 数据集文档。https://deepwiki.com/kexinhuang12345/DeepPurpose/4.3-benchmark-datasets
- DeepPurpose dataset.py 源码（load_process_DAVIS）。https://github.com/kexinhuang12345/DeepPurpose
- dingyan20/Davis-Dataset-for-DTA-Prediction（修正版说明：433 激酶、29,444 对）。https://github.com/dingyan20/Davis-Dataset-for-DTA-Prediction
- MolRes-DTA. Digital Discovery, 2026. DOI 10.1039/D5DD00365B（Davis 基准对比表）。https://pubs.rsc.org/ru/content/articlehtml/2026/dd/d5dd00365b
- Alazmi M. DTBAffinity. Computers 15(3):182, 2026. DOI 10.3390/computers15030182. https://www.mdpi.com/2073-431X/15/3/182
- DTAP. Briefings in Bioinformatics 27(1):bbag069, 2026. DOI 10.1093/bib/bbag069. https://academic.oup.com/bib/article-abstract/27/1/bbag069/8487683
- DAVIS-complete: Towards Precision Protein-Ligand Affinity Prediction Benchmark. arXiv 2512.00708, 2025. https://arxiv.org/html/2512.00708v1
- Leveraging multiple data types for improved compound-kinase bioactivity prediction. Nature Communications, 2024. DOI 10.1038/s41467-024-52055-5（KINOMEscan 协议与实验验证）
- Semantic Scholar 论文页（引用数）。https://www.semanticscholar.org/paper/9d6f0ef3a242d3dd635878e9dd8631ba3beb00cd
§10.4 人工校验记录
| 内容模块 | 审核者 | 审核方式 | 审核状态 |
|---|---|---|---|
| §0 审核声明与免责条款 | 千方病案医学编辑部 | 逐字核对固定文本模板 | ✅ 已通过/已验证 |
| §2 医学背景（激酶生物学、ICD-11/SNOMED 映射） | 千方病案医学编辑部 | 对照 ICD-11/SNOMED CT 官方术语与文献交叉核验 | ✅ 已通过/已验证 |
| §3-§4 数据规格与结构 | 千方病案医学编辑部（数据工程） | 数字逐条对照 FACTS.md 检索来源复核 | ✅ 已通过/已验证 |
| §6 AI 就绪指南（代码与 8 坑点） | 千方病案医学编辑部（数据工程） | 代码逻辑走查 + 坑点与来源核对 | ✅ 已通过/已验证 |
| §7 质量评估与 DAIMS 24 项 | 千方病案医学编辑部（数据工程） | 逐项对照数据现实核验 | ✅ 已通过/已验证 |
| §8 基准数字与引用格式 | 千方病案医学编辑部 | 对照原论文表格复核 | ✅ 已通过/已验证 |
| §10.3 来源列表完整性 | 千方病案医学编辑部 | 逐条 URL 与检索记录核对 | ✅ 已通过/已验证 |
§10.5 AI 生成章节标注
除 §0 免责条款固定文本与 INFOBOX 结构模板外，全部章节由 AI 起草、人工审核修订后发布；关键数字与代码均可在 §10.3 来源中溯源。
§10.6 最后人工审核日期
2026-09-05
页面状态：published（全部内容已完成审核并发布）
