信息速览
INFOBOX — OpenADMET ExpansionRx 一屏速览
维度 内容 本质 真实药企（Expansion Therapeutics）先导优化项目开源的 ADMET 端点数据集 + 2025-2026 社区盲挑战 主办 OpenADMET（OMSF 运营）联合 Expansion Therapeutics、Hugging Face 规模 7,600+ 分子（train 5,326 + test 2,282 = 7,608；raw 7,618） 端点 9 个：LogD、KSOL、HLM CLint、MLM CLint、Caco-2 Papp A>B、Caco-2 Efflux、MPPB、MBPB、MGMB（raw 另含第 10 个 RLM CLint） 疾病背景 RNA 介导疾病——强直性肌营养不良（DM1）、肌萎缩侧索硬化（ALS）、痴呆 挑战期 2025-10-27 启动 → 2026-01-19 截止 参赛 370+ 参与者、4,000+ 提交、Discord 446 人、训练数据下载 1,000+ 次 评估 时间切分 + MA-RAE（宏平均相对绝对误差）；榜单冠军 pebble 许可 完整集/训练集 CC-BY-4.0；盲测集/预热集 CC0-1.0（非单一，逐 repo 核） 获取 Hugging Face openadmet/openadmet-expansionrx-challenge-data（gated 表单但 gated=false）库内互链 tdc（rid=131）、qmugs（rid=1085）、aqsoldb（rid=1079）、geom（rid=1078）
OpenADMET ExpansionRx 是"让真实药企的先导优化数据走出公司围墙"的一次实践：生物技术公司 Expansion Therapeutics 把其针对 RNA 介导疾病（DM1、ALS、痴呆）的多条药物发现项目里积累的 7,600 多个分子的 ADMET 测定数据整体开源，OpenADMET 与 Hugging Face 以此为底本办了一场盲挑战——参赛者在看不到晚期分子答案的情况下，只用早期分子的数据去预测晚期分子的肝微粒体清除率、溶解度、渗透性、蛋白结合等九项关键性质。这正是药物化学家日常面对的问题：用已有的实验数据指导下一批分子的设计。
导语读法三则：
- 只想下数据建模：直奔 §6 获取与许可——注意完整集是 CC-BY-4.0 而非 CC0（CC0 只适用于盲测集/预热集），并留意 train/test 是时间切分，别当随机切分用（坑 2）。
- 关心挑战赛本身：直奔 §4 挑战赛机制与 §7 赛果——MA-RAE 指标、时间切分策略、冠军归属的双口径（pebble vs Inductive Bio 自述）都在那里。
- 做 ADMET 预测对标：直奔 §5 数据规格里的九端点定义与稀疏度分布，以及 §8 与库内 tdc/qmugs/aqsoldb 的分工边界。
§0 导读：这个数据集解决什么问题
ADMET（吸收、分布、代谢、排泄、毒性，Absorption / Distribution / Metabolism / Excretion / Toxicity）性质在临床前决定一个小分子能否成药：它能在肠道被吸收吗？在肝脏会不会被快速代谢掉？在血液和靶组织里有多少是游离的（可发挥药效的部分）？这些问题不像活性那样可以靠对接或结构分析精确回答，往往只能靠一轮轮湿实验试错——这就是数据稀缺、且高度依赖实验积累的"打地鼠"难题。OpenADMET 的解法是"开源+众包基准"：把真实药企的大规模 ADMET 测定数据开放出来，组织社区盲挑战，用统一指标衡量当前预测模型的上限。
ExpansionRx 这条赛道之所以特殊，在于它给的不是经过清洗、随机切分的教科书数据集，而是一批真实的、带时间顺序的先导优化数据：
- 时间是隐含的切分轴。训练集是"早年合成的分子"，测试集是"后期优化的分子"。参赛者必须用历史预测未来，这比随机切分更接近药企实际决策场景——也更容易暴露模型在化学空间外推上的短板。
- 端点是"打地鼠"式测的。不是每个分子都测了九个端点，而是根据项目当下最关心的风险有选择地测。因此数据高度稀疏（MGMB 全库仅 432 个非空值），这本身就是真实项目的指纹。
- 端点的绝对量纲各异。LogD 是无量纲的分配系数，KSOL 是 µM，肝清除率是 mL/min/kg，蛋白结合是 % Unbound——因此官方选择用宏平均相对绝对误差（MA-RAE）：先把每个端点的误差按该端点的动态范围归一，再对九个端点等权平均。
本条目按"是什么—有多少—怎么测—怎么评—怎么拿—能干嘛—避什么坑"的顺序展开，所有硬数字均以 Hugging Face API 与 CSV 一手实测为准（见 §5 与附录 B），并逐条标注官方口径与实测口径的差异（见附录 D 双口径登记表）。
§1 数据集速览：十问十答
Q1：OpenADMET ExpansionRx 到底是什么？
一个由 OpenADMET 联合 Expansion Therapeutics、Hugging Face 主办的真实数据盲挑战，以及其配套开源数据集。数据集来自 Expansion Therapeutics 针对 RNA 介导疾病的多条先导优化项目，含 7,600+ 分子、9 个 ADMET 端点。
Q2：谁做的？
发起方 OpenADMET 是一个开放科学倡议，由开放分子软件基金会（OMSF，Open Molecular Software Foundation）运营，联盟成员包括 OMSF、UCSF、Octant Inc、MSKCC（Chodera Lab），资助方含 ARPA-H、盖茨基金会、Schrödinger、Astera Institute。数据提供方是 Expansion Therapeutics（品牌名 ExpansionRx）。
Q3：多少个分子、多少个端点？
官方口径"超过 7,000 个分子"。一手实测：完整集 train 5,326 + test 2,282 = 7,608，raw 版 7,618。端点为 9 个（raw 另含第 10 个未被挑战赛采用的 RLM CLint）。
Q4：九个端点分别是什么？
LogD、KSOL（动力学溶解度）、HLM CLint（人肝微粒体固有清除率）、MLM CLint（小鼠肝微粒体）、Caco-2 Papp A>B（表观渗透系数）、Caco-2 Efflux Ratio（外排比）、MPPB（小鼠血浆蛋白结合）、MBPB（小鼠脑组织蛋白结合）、MGMB（小鼠腓肠肌结合）。详见 §5。
Q5：和疾病有什么关系？
数据来自 Expansion Therapeutics 针对 RNA 介导疾病的药物发现项目，包括强直性肌营养不良（DM1）、肌萎缩侧索硬化（ALS）和痴呆（Dementia）。但数据集本身是分子理化/代谢性质，不含患者或临床数据。
Q6：挑战赛什么时候办的？
2025 年 10 月 27 日启动，2026 年 1 月 19 日截止，历时约两个半月。
Q7：怎么评估的？
主指标 MA-RAE（宏平均相对绝对误差）；采用时间切分策略；提交的预测对整个测试集打分，但排行榜只公开测试集的一半（验证子集），另一半隐藏以防过拟合。
Q8：结果如何？
370+ 参与者、4,000+ 提交。官方榜单冠军为 pebble（MA-RAE 0.5113），亚军 overfit，季军 moka。Inductive Bio 发布新闻稿自述夺冠（其模型可能即 pebble），存在归属双口径（见 §7 与附录 D）。
Q9：许可是什么？
非单一：完整数据集（challenge-data）与训练集（challenge-train-data）为 CC-BY-4.0；盲测集（challenge-test-data-blinded）与预热集（challenge-teaser）为 CC0-1.0。候选情报所称"CC0-1.0"只对盲测/预热门成立，对完整集不成立（坑 3）。
Q10：怎么获取？
Hugging Face：load_dataset("openadmet/openadmet-expansionrx-challenge-data", split="train")。数据集标称有 gated 表单字段，但 gated=false，可直接下载。
§2 数据构成与规格
2.1 规模、来源与切分
完整数据集 openadmet/openadmet-expansionrx-challenge-data（HF，2026-01-27 发布）包含三个 CSV：
| 文件 | 行数（含表头） | 分子数 | 说明 |
|---|---|---|---|
expansion_data_train.csv |
5,327 | 5,326 | ML-ready 训练集，仅含在范围内测量 |
expansion_data_test.csv |
2,283 | 2,282 | 挑战赛结题后解锁的测试集 |
expansion_data_raw.csv |
7,619 | 7,618 | raw 版，含 out-of-range 修饰符与第 10 端点 RLM CLint |
train + test = 5,326 + 2,282 = 7,608；raw = 7,618，两者相差 10。官方口径为"over 7,000 molecules"，与实测一致（官方为保守下限表述，见坑 1）。
数据来源为 Expansion Therapeutics 针对 RNA 介导疾病的临床前先导优化项目。分子以 E-XXXXXXX 编号（如 E-0001321、E-0020101），每行含 Molecule Name、SMILES 两列标识与若干端点列。
2.2 双版本：ML-ready 与 raw
- ML-ready 版（train/test 的常规加载）：仅保留落在测定范围内（in-range）的数值，直接可用于回归建模。
- raw 版（
config="raw"）：保留带 out-of-range 修饰符的原始测量（如>、<），并额外携带第 10 个端点 RLM CLint（大鼠肝微粒体固有清除率，mL/min/kg）——该端点未纳入挑战赛评分。
两版并存的用途分工：做标准建模用 ML-ready；做数据质量研究、清洗策略比较、或想纳入 RLM 端点时用 raw。注意 raw 的 out-of-range 值不是数值，直接喂给模型会出错，必须先定清洗口径（截断、剔除还是区间回归），这是坑 5。
2.3 端点列与覆盖度（一手实测）
train/test 的列结构（11 列）为：
Molecule Name, SMILES, LogD, KSOL, HLM CLint, MLM CLint, Caco-2 Permeability Papp A>B, Caco-2 Permeability Efflux, MPPB, MBPB, MGMB
各端点在两个分片中的非空数量（实测）：
| 端点 | train 非空 | test 非空 | raw 非空 |
|---|---|---|---|
| LogD | 5,039 | 2,270 | 7,331 |
| KSOL | 5,128 | 2,170 | 7,423 |
| HLM CLint | 3,759 | 782 | 4,822 |
| RLM CLint | —（未纳入） | —（未纳入） | 633 |
| MLM CLint | 4,522 | 1,170 | 5,805 |
| Caco-2 Papp A>B | 2,157 | 1,616 | 3,806 |
| Caco-2 Efflux | 2,161 | 1,616 | 3,803 |
| MPPB | 1,302 | 454 | 1,770 |
| MBPB | 975 | 451 | 1,430 |
| MGMB | 222 | 209 | 432 |
这张表是全条目最重要的"稀疏度地图"，三条读数法则：
- 没有任何一个端点覆盖全部分子。覆盖率最高的 LogD 也仅 5,039/5,326 ≈ 94.6%（train）；最低的 MGMB 仅 222/5,326 ≈ 4.2%。
- train 与 test 的覆盖结构不同。test 中 HLM CLint 只有 782 个非空（占 test 的 34.3%），远低于 train 的 70.6%——这说明晚期分子的测定策略与早期不同，是时间切分的直接后果。
- 蛋白结合三项（MPPB/MBPB/MGMB）系统性稀疏。组织结合类测定（脑、肌肉）成本高、通量低，只在临近候选决策时才测，这与真实项目"先粗筛后精测"的节奏一致。
2.4 分子身份与去重口径
Molecule Name 形如 E-0001321，是 ExpansionRx 内部编号。数据集未提供 InChIKey 或其他标准结构标识，只有 SMILES。做跨库合并（如与 ChEMBL 或库内 qmugs 对照）时需自行从 SMILES 生成 InChIKey 并处理盐型/立体化学归一化，这是坑 4 提醒的一个实操点。
train 与 test 之间、以及 raw 与 train+test 之间的精确去重关系，官方未公开说明其差异来源（实测差 10 行）。建模时若把 train+test 合并当全集，需自行核验是否有重复分子（见 §9 遗留疑点）。
§3 九个 ADMET 端点详解
以下逐端点给出定义、单位、生物学意义与建模要点。单位以官方 README 与数据集卡片为准。
3.1 LogD（脂水分配系数）
- 定义：化合物在特定 pH 下（通常 pH 7.4）在正辛醇与水之间的分配系数对数，衡量亲脂性。
- 单位：无量纲。
- 意义：直接关系到化合物的膜渗透性与水溶性的平衡。LogD 过高 → 溶解度差、易与脱靶蛋白结合；过低 → 难以透过细胞膜。
- 建模要点：是九端点中覆盖率最高的（train 94.6%），也是最经典的理化性质，往往是模型的"容易分"。相对而言，LogD 的 RAE 通常最低。
3.2 KSOL（动力学溶解度）
- 定义：Kinetic Solubility，化合物在非平衡条件下（通常 DMSO 储备液稀释后短期孵育）可溶解的量。
- 单位：µM。
- 意义：反映化合物在实际筛选条件下的可溶程度，与热力学溶解度不同（后者需长期平衡）。动力学溶解度低往往导致假阴性筛选结果。
- 建模要点：覆盖率次高（train 96.3%）。与库内 aqsoldb（rid=1079，AqSolDB 水溶性数据集）主题邻近，但 aqsoldb 是热力学水溶解度（logS）聚合数据，KSOL 是特定动力学测定，不可直接混用（见 §8）。
3.3 HLM CLint（人肝微粒体固有清除率）
- 定义：Human Liver Microsomal intrinsic clearance，化合物在人肝微粒体体外体系中测得的固有清除率。
- 单位：mL/min/kg。
- 意义：预测人体内肝脏代谢与清除速度。清除率高 → 药物在体内半衰期短；清除率过低 → 可能与代谢酶相互作用带来风险。是先导优化最关注的性质之一。
- 建模要点：train 覆盖率 70.6%，但 test 仅 34.3%——这是 train/test 覆盖结构差异最悬殊的端点，也意味着该端点的测试集评估样本较少，指标方差相对大。
3.4 MLM CLint（小鼠肝微粒体固有清除率）
- 定义：Mouse Liver Microsomal intrinsic clearance，类比 HLM，在小鼠肝微粒体体系中测定。
- 单位：mL/min/kg。
- 意义：与 HLM 联用可了解化合物跨物种代谢稳定性，为多物种临床前开发提供依据。小鼠数据也直接服务于小鼠体内的 PK 实验设计。
- 建模要点：覆盖率高于 HLM（train 84.9%），是清除率类端点中数据较充裕的一个。
3.5 Caco-2 Permeability Papp A>B（表观渗透系数）
- 定义：化合物从极化 Caco-2 细胞单层的顶侧（apical，肠腔侧）向基底侧（basolateral，血液侧）的表观渗透系数，模拟肠道吸收。
- 单位：10⁻⁶ cm/s。
- 意义：直接关联口服吸收能力，A→B 方向的 Papp 越高通常吸收越好。
- 建模要点：覆盖率约四成（train 40.5%）。Caco-2 测定通量中等、成本较高，因此不像 LogD/KSOL 那样普及。
3.6 Caco-2 Permeability Efflux（外排比）
- 定义：Caco-2 细胞单层中外排（B→A）与吸收（A→B）渗透性的比值（Efflux Ratio）。
- 单位：无量纲。
- 意义：比值显著大于 1 提示存在主动外排（如 P-糖蛋白底物），会降低口服生物利用度。
- 建模要点：覆盖率与 Papp 几乎相同（train 40.6%），两者通常成对测定。
3.7 MPPB（小鼠血浆蛋白结合率）
- 定义：Mouse Plasma Protein Binding，衡量血浆中未与蛋白结合的药物比例。
- 单位：% Unbound。
- 意义：只有游离药物才能穿过膜、到达靶点发挥药效，因此游离分数是连接体外活性与体内暴露的关键桥梁。
- 建模要点：覆盖率约四分之一（train 24.4%）。
3.8 MBPB（小鼠脑组织蛋白结合率）
- 定义：Mouse Brain Protein Binding，脑组织中未结合蛋白的药物比例。
- 单位：% Unbound。
- 意义：对中枢神经系统靶点或需要评估脑暴露的项目至关重要。
- 建模要点：覆盖率约 18.3%（train 975/5,326）。与 MPPB 常成对测定，但数据更少。
3.9 MGMB（小鼠腓肠肌结合率）
- 定义：Mouse Gastrocnemius Muscle Binding，骨骼肌组织中未结合蛋白的药物比例。
- 单位：% Unbound。
- 意义：对靶向外周或肌肉组织（如肌肉相关疾病）的药物尤为重要，反映药物在肌肉中的可作用游离浓度。
- 建模要点：九端点中最稀疏（train 仅 222/5,326 ≈ 4.2%，raw 也仅 432/7,618）。测肌肉组织结合需要专门的组织匀浆与平衡透析，通量极低。对建模者意味着训练样本数在九端点中最少，泛化难度最大。
3.10 未被挑战赛采用的第十端点：RLM CLint
raw 版额外含 RLM CLint（大鼠肝微粒体固有清除率，mL/min/kg），共 633 个非空值。官方 README 明确说明该端点"not part of the challenge"。对研究者而言，它是额外的跨物种代谢数据；但注意它只存在于 raw 版，用 ML-ready 版加载拿不到（坑 5）。
§4 挑战赛机制与评估
4.1 时间切分策略
挑战赛的核心设计是 time-split（时间切分）：参赛者用同一批项目中"早期阶段"的分子数据训练，去预测"晚期阶段"分子的 ADMET 性质。这与随机切分的区别取决于两点：晚期分子在化学空间上可能偏离训练集（外推挑战），并且晚期分子的测定策略（哪些端点被测）本身也反映了优化进程的变化。
官方在设计说明中强调：这种切分"高度贴近工业界的先导化合物优化流程——过去的实验数据指导着未来的分子设计决策"，因而为评估模型的前瞻性预测能力提供了一个稀缺的工业级基准。
4.2 平台与提交
- 挑战赛托管在 Hugging Face Space（前端）上。
- 参赛者可访问完全公开的训练集，以及盲测集的分子（测试集只给 SMILES，端点数值隐藏）。
- 训练后，参赛者把对完整测试集的预测上传到 Hugging Face 平台。
- 排行榜评分针对测试集的一半（验证子集），另一半保持隐藏——这既给社区实时反馈，又防止在公开榜上过拟合。
4.3 评估指标：MA-RAE
主指标为 MA-RAE（Macro-Average Relative Absolute Error，宏平均相对绝对误差）：
- 对每个端点，先计算相对绝对误差 RAE——即把该端点的平均绝对误差 MAE 按其测试数据的动态范围归一。
- 再对九个端点的 RAE 等权平均，得到单一标量。
选用 RAE 而非裸 MAE 的原因：九端点绝对量纲各异（LogD 无量纲、KSOL µM、清除率 mL/min/kg、蛋白结合 % Unbound），裸 MAE 会被量纲大的端点主导；归一后等权平均能公平对待每个端点，尤其应对端点间的数据不平衡。
4.4 榜单防过拟合设计
- 半盲验证子集：公开榜只用一半测试集，避免参赛者在完整榜上反复调参过拟合。
- 两次评估：参赛者在中途（intermediate leaderboard）与结题（close）各评估一次完整测试集，兼顾社区参与度与最终公正性。
- 结题后的统计复评：官方随后发布"Peak Performance or Just Noise?“博客，用 bootstrap（1,000 次重采样）+ Tukey HSD 检验 + 紧凑字母显示（CLD）对条目做显著性比较，试图回答"冠军与后续模型之间的差距是真实的还是噪声”。官方也自我批评：bootstrap 从同一批分子重采样会产生伪重复（pseudoreplication），可能低估模型性能的方差（见 §7.3）。
4.5 与随机切分基准的关键区别
读这个数据集做基准时最重要的提醒：它的 train/test 是时间切分，不是随机切分。若研究者拿它当随机切分基准来报告分数，会系统性地高估模型性能，也无法复现官方榜单数字。想复现官方 MA-RAE，必须严格用 expansion_data_train.csv 训练、expansion_data_test.csv 评估，且按官方口径（半测试集或全测试集）计算（坑 2）。
§5 数据加载与工程细节
5.1 官方推荐加载方式
from datasets import load_dataset
# 训练集
train_df = load_dataset("openadmet/openadmet-expansionrx-challenge-data", split="train").to_pandas()
# 测试集
test_df = load_dataset("openadmet/openadmet-expansionrx-challenge-data", split="test").to_pandas()
# 两分片合并
combined_df = load_dataset("openadmet/openadmet-expansionrx-challenge-data", split="train+test").to_pandas()
raw 版需显式指定 config：
from datasets import load_dataset
ds = load_dataset("openadmet/openadmet-expansionrx-challenge-data", name="raw")
raw_df = ds["train"].to_pandas()
也可用 pandas 直读 HF 路径或本地 CSV：
import pandas as pd
df = pd.read_csv("hf://datasets/openadmet/openadmet-expansionrx-challenge-data/expansion_data_train.csv")
5.2 存储与文件体积
- 完整集
challenge-data：usedStorage ≈ 699,020 字节（≈683 KB）。 - 训练集
challenge-train-data：≈ 599,475 字节。 - 盲测集
challenge-test-data-blinded：≈ 55,833 字节。 - 本地实测三文件：train 464 KB、test 221 KB、raw 687 KB（未压缩 CSV）。
这是个体量很小的数据集，完全可以整库加载进内存做全量交叉验证或超参搜索，工程门槛低。
5.3 数据类型与缺失值处理
CSV 中端点列是数值型或空。用 pd.read_csv 读入后端点列自动推断为 float64（含 NaN），这是最省事的做法。不要直接 dropna() ——那会把绝大多数分子删掉（因为几乎没有分子九个端点全齐）。正确做法是按端点分别取非空子集训练多任务/多模型，或使用带缺失掩码的损失函数。蛋白结合三项（MPPB/MBPB/MGMB）与 Caco-2 两项建议单独建子集，避免与 LogD/KSOL 混在一起拉低有效样本量。
5.4 多任务建模的稀疏度陷阱
若采用多任务学习（multi-task），需注意：九端点的覆盖率从 4.2% 到 96.3% 不等，梯度会被高覆盖端点（LogD、KSOL）主导。常见缓解手段包括：损失端点多任务加权、按端点做课程学习、或对稀疏端点单独训练单任务模型再集成。这些不是数据集的规定，而是使用者的设计决策，但稀疏度地图（§2.3）必须先看清。
5.5 SMILES 规范化
数据集只给 SMILES，不含标准化结构标识。做结构去重或跨库合并时，建议：用 RDKit 从 SMILES 生成 InChIKey；处理盐型（去盐取母体）；注意立体化学是否保留。这是坑 4 所指的实操点——直接按 SMILES 字符串去重会漏掉同一分子的不同写法。
§6 获取与许可
6.1 资产清单与各自的门
OpenADMET 在 HF 上的 ExpansionRx 相关数据集不止一个，许可与用途各异，务必分清（坑 3）：
| HF 数据集 | 创建/更新 | 许可 | 说明 |
|---|---|---|---|
openadmet/openadmet-expansionrx-challenge-data |
2026-01-26/27 | CC-BY-4.0 | 完整集（train+test+raw），本条目主数据源 |
openadmet/openadmet-expansionrx-challenge-train-data |
2025-09-25 | CC-BY-4.0 | 挑战赛训练集（挑战期公开） |
openadmet/openadmet-expansionrx-challenge-test-data-blinded |
2025-10-02 | CC0-1.0 | 盲测集（挑战期仅 SMILES） |
openadmet/openadmet-expansionrx-challenge-teaser |
2025-10-08 | CC0-1.0 | 预热/示例数据 |
四份数据、两套许可。要点：完整数据集是 CC-BY-4.0，不是 CC0。候选情报中"CC0-1.0"的描述只对盲测集和预热集成立，对完整集与训练集不成立。正文按实核口径记录，并在附录 D 双口径登记表存照。
6.2 访问流程
- 直接下载：虽然 HF 卡片列有 gated 表单字段（first/last name、company、work email、用途），但 API 返回
"gated": false，实际可直接load_dataset或下载 CSV，无需审批。 - 推荐入口：
openadmet/openadmet-expansionrx-challenge-data（完整集），按需选train/test/raw。 - 挑战赛 Space：结题后 Space 主要作为历史存档与教程入口；官方另有 GitHub 教程仓
OpenADMET/ExpansionRx-Challenge-Tutorial。
6.3 AI-Ready 评估
从"AI 就绪"角度看，这个数据集得分点与减分点都很鲜明：
- 加分：标准 Hugging Face 托管 + datasets 库一键加载；明确的 train/test/raw 三态；官方 README 给出九个端点的定义与单位；体量小、格式规整（CSV）。
- 减分：端点大量缺失（需自行处理）；许可跨 repo 不统一；缺 InChIKey 等标准标识；时间切分策略对使用者的建模假设有隐含要求，README 未用强提示强调"勿当随机切分"。
6.4 引用与归属
使用该数据集时建议：引用 HF 数据集页 openadmet/openadmet-expansionrx-challenge-data；署名 OpenADMET 与 Expansion Therapeutics；提及 Jon Ainsley（ExpansionRx）等数据方代表。官方提及参与者可署名合作论文，但截至本条目核验日尚未见正式发表的同行评审论文（见 §9 遗留疑点）。
§7 挑战赛赛果、生态与影响
7.1 社区参与规模
截至 2026-01-19 截止日，官方披露：
- 370+ 参与者，来自工业界与学术界，背景与经验各异。
- 4,000+ 提交（官方博客写 “More than 4000 total submissions”）。
- Discord 服务器 446 人加入，成为排障、方法分享与开源贡献的枢纽。
- 训练数据下载 1,000+ 次。
这些数字让官方称其为"迄今规模最大的 ADMET 预测竞赛"。Inductive Bio 的新闻稿措辞为 “the largest industry competition to date”。
7.2 最终排名
官方结题博客公布的领奖台：🥇 pebble、🥈 overfit、🥉 moka。第三方榜单 benchmarklist.com（2026-07-13 导入）给出的 MA-RAE 明细（节选）：
| 名次 | 提交名 | MA-RAE | R² | Spearman R | Kendall’s Tau |
|---|---|---|---|---|---|
| 1 | pebble | 0.5113 | 0.224 | 0.637 | 0.621 |
| 2 | overfit | 0.5284 | 0.234 | 0.641 | 0.608 |
| 3 | moka | 0.5321 | 0.233 | 0.625 | 0.617 |
| 4 | campfire-capillary | 0.5517 | 0.243 | 0.596 | 0.582 |
| 5 | shin-chan | 0.5536 | 0.243 | 0.590 | 0.594 |
| 11 | yanyn | 0.5818 | 0.256 | 0.563 | 0.578 |
参与机构线索：moka 据中文报道为默克（Merck）；campfire capillary 为 Deepmirror；yanyn 为苏州必扬医药；pebble 与 Inductive Bio 的 Beacon 模型关系密切（见 7.3）。
7.3 冠军归属的双口径（CORE 冲突，必须存照）
这里存在一处必须并列记录的归属冲突：
- 口径 A（官方榜单）：OpenADMET 官方博客与 Jon Ainsley 的 LinkedIn 均公布冠军为 pebble。
- 口径 B（Inductive Bio 自述）：Inductive Bio 于 2026-02-03 发布新闻稿，称"won the OpenADMET-ExpansionRx blind challenge with its Beacon models, placing first among more than 370 submissions"。
两口径并不必然矛盾：Inductive Bio 的提交名很可能就是 “pebble”（其自述夺冠 + 该榜冠军为 pebble + Inductive 此前已赢 2025 Polaris ADMET 挑战赛）。但官方未直接确认 “pebble = Inductive Bio”，因此本条目两口径并列，不擅自等同（见附录 D 与 §9 遗留疑点）。引用排名时请以官方榜单的提交名为准。
7.4 结题后的统计复评
官方在结题后发布 “Peak Performance or Just Noise?” 博客，对榜单做了统计显著性复评：
- 采用论文《Practically Significant Method Comparison Protocols for Machine Learning in Small Molecule Drug Discovery》建议的严谨比较思路，但因盲挑战中参赛者不愿公开模型权重/源码，改为对单组预测做统计推断。
- 方法：对测试集做 1,000 次 bootstrap 重采样生成性能分布，用 Tukey HSD 做事后两两比较，用**紧凑字母显示（CLD）**标注显著性。
- 官方自我批评：bootstrapping 从同一批分子重采样会产生伪重复（pseudoreplication），高估数据量、低估方差，可能使检验超功效（overpowered）。这提醒读者：榜单名次差距的统计意义需谨慎解读。
7.5 生态血脉
- 上游血缘：Expansion Therapeutics 内部先导优化数据 → 开源。
- 方法学血缘：此前 OpenADMET 与 Polar-is 体系已有 ADMET 挑战赛（Inductive Bio 曾赢 2025 Polaris ADMET challenge）；ExpansionRx 之后，OpenADMET 又办了 PXR、CYP、OpenBind 等系列盲挑战，方法学（HF Space 前端 + 评分后端 + 时间切分/盲测设计）一脉相承。
- 工具生态：GitHub
OpenADMET组织提供openadmet-models（ML 工作流）、openadmet-toolkit（大规模 ADMET 建模工具）、ExpansionRx-Challenge-Tutorial（挑战赛教程）、challenge-data-checker（数据泄漏与质量审计）等开源仓，多数为 Apache-2.0。 - 资金与机构：OMSF 运营，ARPA-H、盖茨基金会、Schrödinger、Astera Institute 资助；联盟含 UCSF、Octant、MSKCC（Chodera Lab）。
§8 方法学启示：三条可迁移的经验
8.1 "真实项目数据 + 时间切分"是可复制的基准范式
ExpansionRx 的价值不在数据量（7,600 分子在化学数据集里并不算大），而在切分方式贴近现实。随机切分的数据集容易让模型"见到未来"——相似分子同时在训练与测试里出现，分数虚高。时间切分逼迫模型做真正的化学空间外推，暴露其泛化短板。任何有历史沉积数据的领域（材料、催化剂、农药）都可借鉴这一范式。
8.2 半盲榜 + 结题统计复评的组合值得推广
"公开一半测试集用于实时反馈 + 隐藏另一半用于最终排名 + 结题用 bootstrap/HSD 做显著性检验"是一套成熟的防过拟合与公正性设计。尤其结题后的统计复评诚实面对了 bootstrap 的伪重复局限，这种"自我证伪"态度对基准设计者是良好示范。
8.3 稀疏多端点是真实数据的常态，不是缺陷
九个端点覆盖度从 4.2% 到 96.3%，看似"脏"，实则是先导优化"打地鼠"策略的真实烙印。数据集保留了这种稀疏性而非补齐或删除，是对数据诚实性的坚持，也意味着使用者必须自己处理多任务 imbalance——这恰是工业应用必须面对的现实。
8.4 与库内其他"分子数据集"的方法学分工
TDC（库内 rid=131）代表"经过统一清洗与标准切分"的基准路线；OpenADMET ExpansionRx 代表"保留原始项目真实性与时间结构"的路线。两者互补而非替代：前者用于公平横比模型，后者用于检验模型在真实工业流程下的前瞻预测力。
§9 与库内条目的关系
9.1 家族/邻域图谱
| 库内条目 | rid | 与 OpenADMET ExpansionRx 的关系 |
|---|---|---|
| tdc | 131 | TDC（Therapeutics Data Commons）ADMET 基准聚合，标准清洗+随机/骨架切分；本条目为原始项目数据+时间切分，二者是"标准化基准 vs 真实数据"对照 |
| qmugs | 1085 | 量子化学分子性质（QMugs），分子性质预测大类同域；但 qmugs 侧重量子力学计算性质，本条目侧重实验 ADMET |
| aqsoldb | 1079 | AqSolDB 水溶解度（logS）聚合数据集，与本条目的 KSOL 溶解度端点主题邻近，但测定类型（热力学 vs 动力学）与许可/来源不同，不可混用 |
| geom | 1078 | GEOM 分子构象/几何数据集，小分子 ML 生态邻域，任务类型（构象生成）不同 |
9.2 消歧说明（不进 frontmatter，仅正文）
- 本条目与 tdc（rid=131） 不构成别名或版本关系：TDC 是一个多任务基准聚合框架（含 ADMET 子集），OpenADMET ExpansionRx 是一个单一来源的真实项目数据集。二者常被检索者混淆为"ADMET 数据集"，需明确区分。
- 本条目与 aqsoldb（rid=1079） 在"溶解度"主题上邻近，但 aqsoldb 是 AqSolDB 水溶解度（热力学 logS）聚合，本条目的 KSOL 是 ExpansionRx 自测的动力学溶解度，来源、测定法、许可均不同。
- 与库内条目互链时，URL 一律占位
https://www.qianfanghub.com/ai-ready-dataset/<slug>/0，rid 由主会话在入库后统一回填（R018 教训：写手不猜 rid）。
9.3 检索路径建议
- 精确检索词：
openadmet-expansionrx-challenge-data（HF repo 名）、OpenADMET ExpansionRx、ExpansionRx blind challenge。 - 易混淆写法：
Expansion Therapeutics（公司主体）与ExpansionRx（挑战赛品牌名）——官网混用，检索时两者都试。 - 若要定位榜单数据：搜
pebble overfit moka或访问 openadmet.org 结题博客与 benchmarklist.com。
§10 避坑清单：八个已踩过的坑
坑 1：分子数双口径。官方口径"over 7,000 molecules"，一手实测完整集 train 5,326 + test 2,282 = 7,608、raw 7,618。官方为保守下限表述，二者一致。引用时应写"7,600+“并注明实测明细，勿写"恰好 7,000”。
坑 2：train/test 是时间切分，不是随机切分。若当随机切分基准报告分数会系统性高估模型性能，且无法复现官方 MA-RAE。复现必须严格用官方 train 训练、test 评估。
坑 3：许可是跨 repo 不统一的，不是"CC0-1.0"一揽子。完整集与训练集是 CC-BY-4.0，盲测集与预热集才是 CC0-1.0。候选情报的"CC0-1.0"只对部分子集成立。再分发前必须逐 repo 核对，误用会导致许可违规。
坑 4：只有 SMILES，没有 InChIKey。数据集不提供标准结构标识，跨库合并或去重需自行从 SMILES 生成 InChIKey 并处理盐型/立体化学，按字符串去重会漏掉同一分子的不同写法。
坑 5：raw 版含 out-of-range 修饰符与第 10 端点。raw 版的值可能形如 >、< 前缀，直接读成数值会出错；同时 raw 版唯一携带未纳入挑战赛的 RLM CLint 端点。想在 ML-ready 版里找 RLM 会一无所获。
坑 6：九个端点，不是十个。挑战赛与 ML-ready 数据是 9 个端点；第 10 个 RLM CLint 只出现在 raw 版且明确"not part of the challenge"。数端点时勿把 RLM 混入挑战赛口径。
坑 7：冠军归属双口径。官方榜单冠军是 pebble；Inductive Bio 新闻稿自述"夺冠"。二者可能指同一提交（Inductive 的 Beacon 模型），但官方未直接确认。引用排名以官方提交名为准，不要把 Inductive Bio 直接写成官方冠军。
坑 8：端点绝对量纲异构，别用裸 MAE 横向比。LogD 无量纲、KSOL µM、清除率 mL/min/kg、蛋白结合 % Unbound——跨端点比较必须用 RAE 类归一指标（这也是官方选 MA-RAE 的原因）。用裸 MAE 会夸大高量纲端点、掩盖低量纲端点的误差。
§11 总结
11.1 三句话总结
- OpenADMET ExpansionRx 是 Expansion Therapeutics 针对 RNA 介导疾病（DM1/ALS/痴呆）开源的真实先导优化 ADMET 数据集，7,600+ 分子、9 个端点、时间切分。
- 2025-10 至 2026-01 的盲挑战吸引 370+ 参与者、4,000+ 提交，用 MA-RAE 评比，官方冠军为 pebble。
- 完整集 CC-BY-4.0（盲测集/预热集为 CC0-1.0），于 Hugging Face 公开，体量小、格式规整、工程门槛低。
11.2 适合谁
- 开发/对标 ADMET 多任务或单端点预测模型的团队。
- 研究时间切分、化学空间外推、数据稀疏性问题的机器学习研究者。
- 想用真实药企数据做教学案例的化学信息学课程。
- 基准设计方法论研究者（半盲榜 + 统计复评范式）。
11.3 不适合谁
- 需要患者级或临床数据的医学研究者（本数据集是分子数据，无患者信息）。
- 需要标准化、补齐后"开箱即用"多任务标签的建模者（本数据集高度稀疏）。
- 想要大分子（生物药）ADMET 数据的团队（本数据集是小分子）。
11.4 30 秒决策卡
| 你的需求 | 结论 |
|---|---|
| 做 ADMET 回归基准 | ✅ 用 challenge-data，train 训 / test 评，算 MA-RAE |
| 需要 RLM 端点 | ✅ 加载 config="raw"（RLM 仅 raw 有） |
| 想要 CC0 无约束使用 | ⚠️ 仅盲测集/预热集是 CC0，完整集是 CC-BY-4.0 |
| 当随机切分基准用 | ❌ 会高估性能，勿用 |
| 要患者/临床数据 | ❌ 本数据集是分子理化数据 |
FAQ（高频问答 20 问）
A. 基础认知
Q1：OpenADMET ExpansionRx 是一个数据集还是一个竞赛？
两者都是。它既是开源数据集（HF 托管），也是一场盲挑战赛的名字。数据集是竞赛的底本，竞赛结束后完整集（含答案）才公开。
Q2：和 ADMET 有什么关系？
ADMET 指吸收、分布、代谢、排泄、毒性五类成药性。本数据集覆盖其中九项关键性质（以理化、代谢、渗透、蛋白结合为主），毒性端点未单列。
Q3：数据是谁给的？
Expansion Therapeutics（品牌名 ExpansionRx）——一家专注 RNA 介导疾病（强直性肌营养不良、ALS、痴呆）的生物技术公司，把其临床前先导优化项目的 ADMET 数据开源。
Q4：OpenADMET 是什么机构？
一个开放科学倡议，由 OMSF（开放分子软件基金会）运营，联盟含 OMSF、UCSF、Octant、MSKCC（Chodera Lab），资助方含 ARPA-H、盖茨基金会、Schrödinger、Astera Institute。
Q5：为什么叫"盲"挑战？
因为测试集分子的端点数值在比赛期间对参赛者隐藏（blind），参赛者只能看到 SMILES，看不到答案，防止作弊并模拟真实预测场景。
B. 数据与获取
Q6：多少个分子？
实测：train 5,326 + test 2,282 = 7,608；raw 7,618。官方口径"超过 7,000"。
Q7：几个端点？
挑战赛与 ML-ready 数据为 9 个；raw 版额外含第 10 个 RLM CLint（未纳入挑战赛）。
Q8：怎么下载？
load_dataset("openadmet/openadmet-expansionrx-challenge-data", split="train")，或直连 HF 下 CSV。gated 表单形同虚设（gated=false）。
Q9：许可能商用吗？
完整集/训练集是 CC-BY-4.0，允许商用但须署名。盲测集/预热集是 CC0-1.0。逐 repo 核对方可。
Q10：数据集多大？
完整集≈683 KB（usedStorage），本地未压缩 CSV 合计约 1.3 MB。极小。
Q11：有没有缺失值？
大量缺失。每个分子只在少数端点有测定值（覆盖率 4.2%–96.3% 不等），不要 dropna。
Q12：有 InChIKey 吗？
没有。只有 SMILES 和内部编号（E-XXXXXXX）。跨库合并需自行生成标准标识。
C. 竞赛与结果
Q13：什么时候办的？
2025-10-27 启动，2026-01-19 截止。
Q14：多少人参加？
370+ 参与者，4,000+ 提交，Discord 446 人。
Q15：怎么评的？
MA-RAE（宏平均相对绝对误差），时间切分，半盲榜。
Q16：谁赢了？
官方榜单：🥇 pebble、🥈 overfit、🥉 moka。Inductive Bio 自述夺冠（可能即 pebble）。
Q17：MA-RAE 0.51 算好吗？
这是相对量（误差/动态范围），越小越好。0.51 的宏平均 RAE 说明在该真实数据上仍存在可观误差——这正是数据集的价值：暴露了当前 SOTA 在上限上的不足。
D. 与库内数据的关系
Q18：和 TDC（库内 rid=131）有什么区别？
TDC 是标准化清洗的多任务基准聚合；本数据集是单一药企真实项目数据 + 时间切分。前者用于公平横比，后者用于检验真实前瞻预测力。
Q19：和 aqsoldb（rid=1079）的溶解度是一回事吗？
不是。aqsoldb 是热力学水溶解度（logS）聚合；本数据的 KSOL 是 ExpansionRx 自测的动力学溶解度。测定法、来源、许可都不同。
Q20：这个数据集适合做医疗 AI 吗？
它属于"药物发现与化学"域，不含临床/患者数据。适合小分子成药性预测，不适合临床诊断类任务。
事实清单（硬事实 24 条）
- 官方主名：OpenADMET-ExpansionRx（盲挑战）/ 完整数据集 repo
openadmet/openadmet-expansionrx-challenge-data。 - 主办：OpenADMET（OMSF 运营）联合 Expansion Therapeutics、Hugging Face。
- 启动：2025-10-27；截止：2026-01-19。
- 完整集发布：2026-01-26/27。
- 训练集 repo 创建：2025-09-25；盲测集 repo：2025-10-02；预热集：2025-10-08。
- train 分子数：5,326。
- test 分子数：2,282。
- train+test：7,608。
- raw 分子数：7,618。
- 挑战赛端点数：9。
- raw 端点数：10（含 RLM CLint）。
- RLM CLint 非空：633。
- ML-ready 列数：11（2 标识 + 9 端点）。
- LogD train/test 非空：5,039 / 2,270。
- KSOL train/test 非空：5,128 / 2,170。
- HLM CLint train/test 非空：3,759 / 782。
- MLM CLint train/test 非空：4,522 / 1,170。
- Caco-2 Papp train/test 非空：2,157 / 1,616。
- Caco-2 Efflux train/test 非空：2,161 / 1,616。
- MPPB train/test 非空：1,302 / 454。
- MBPB train/test 非空：975 / 451。
- MGMB train/test 非空：222 / 209。
- 评估主指标：MA-RAE；时间切分；半盲榜。
- 冠军：pebble（MA-RAE 0.5113）。
术语表（22 条）
| 术语 | 释义 |
|---|---|
| ADMET | 吸收、分布、代谢、排泄、毒性五类成药性质 |
| ExpansionRx | Expansion Therapeutics 的挑战赛品牌名 |
| 时间切分（time-split） | 用早期分子训练、晚期分子评估的划分方式 |
| 盲挑战（blind challenge） | 测试集答案在赛期隐藏的竞赛形式 |
| MA-RAE | 宏平均相对绝对误差，九端点归一后等权平均 |
| RAE | 相对绝对误差，MAE 除以数据动态范围 |
| LogD | 特定 pH 下脂水分配系数对数（亲脂性） |
| KSOL | 动力学溶解度（µM） |
| CLint | 固有清除率 |
| HLM | 人肝微粒体 |
| MLM | 小鼠肝微粒体 |
| RLM | 大鼠肝微粒体 |
| Caco-2 | 人结肠腺癌细胞系，用于渗透性测定 |
| Papp | 表观渗透系数 |
| Efflux Ratio | 外排比（B→A / A→B） |
| MPPB | 小鼠血浆蛋白结合率（% Unbound） |
| MBPB | 小鼠脑组织蛋白结合率（% Unbound） |
| MGMB | 小鼠腓肠肌结合率（% Unbound） |
| % Unbound | 未结合蛋白的游离药物百分比 |
| SMILES | 分子的文本线性表示 |
| OMSF | 开放分子软件基金会，OpenADMET 运营方 |
| Polaris | 另一 ADMET 挑战赛平台，ExpansionRx 的方法学前身 |
附录
附录 A：条目信息速查卡
| 项 | 值 |
|---|---|
| slug | openadmet-expansionrx |
| 官方名 | OpenADMET-ExpansionRx |
| 主数据源 | HF openadmet/openadmet-expansionrx-challenge-data |
| 域 | 药物发现与化学 |
| 规模 | 7,608 分子（train+test）/ 7,618（raw） |
| 端点 | 9（+raw 第 10 个 RLM） |
| 许可 | 完整集 CC-BY-4.0 / 盲测集 CC0-1.0 |
| 挑战期 | 2025-10-27 ~ 2026-01-19 |
| 指标 | MA-RAE |
| 冠军 | pebble |
| 库内互链 | tdc 131 / qmugs 1085 / aqsoldb 1079 / geom 1078 |
附录 B：数据实测证据链
| 事实 | 核验方式 | 结果 |
|---|---|---|
| train 行数 | wc -l expansion_data_train.csv | 5,327（含表头） |
| test 行数 | wc -l expansion_data_test.csv | 2,283（含表头） |
| raw 行数 | wc -l expansion_data_raw.csv | 7,619（含表头） |
| 表头列 | head -1 | 11 列（train/test）、12 列（raw） |
| 完整集许可 | HF API tags | license:cc-by-4.0 |
| 盲测集许可 | HF API tags | license:cc0-1.0 |
| 各端点覆盖 | Python csv 统计非空 | 见 §2.3 |
附录 C：DAIMS 评估全表
| 维度 | 评分 | 说明 |
|---|---|---|
| D 数据质量 | 8 | 真实项目数据、官方文档完备；端点高度稀疏、无标准结构标识微降 |
| A 可访问性 | 9 | HF 托管、datasets 库一键加载、gated=false 直下；许可跨 repo 需逐查 |
| I 互操作性 | 8 | 标准 CSV + SMILES；缺 InChIKey，跨库需自行转换 |
| M 元数据质量 | 8 | README 给出端点定义与单位、时间切分说明；许可未在单页统一 |
| S 可持续性 | 9 | OMSF 运营、ARPA-H/盖茨基金会资助、HF 长期托管、系列挑战赛延续 |
附录 D：双口径登记表
| 项 | 口径 A | 口径 B | 本条目处理 |
|---|---|---|---|
| 分子数 | 官方"over 7,000" | 实测 7,608/7,618 | 并列，以实测为明细 |
| 许可 | 候选情报 CC0-1.0 | 实测完整集 CC-BY-4.0 | 按实测，CC0 仅盲测/预热门 |
| 冠军 | 官方榜单 pebble | Inductive Bio 自述夺冠 | 并列存照，不擅自等同 |
| 端点数 | 挑战赛 9 个 | raw 含第 10 个 RLM | 并列说明 |
附录 E：许可细读
- CC-BY-4.0（完整集 challenge-data、训练集 challenge-train-data）：允许商用、再分发、改编，须署名（attribution）。用于模型训练/产品需保留署名。
- CC0-1.0（盲测集 challenge-test-data-blinded、预热集 challenge-teaser）：公共领域弃权，无署名要求。注意盲测集本身仅含 SMILES（无端点值）。
- GitHub 工具仓（openadmet-models、openadmet-toolkit 等）：多为 Apache-2.0。
- 论文/博客：官方结题博客为公开发布，引用请署名 OpenADMET。
附录 F：榜单 TOP11（benchmarklist.com 口径）
| 名次 | 提交名 | MA-RAE |
|---|---|---|
| 1 | pebble | 0.5113 |
| 2 | overfit | 0.5284 |
| 3 | moka | 0.5321 |
| 4 | campfire-capillary | 0.5517 |
| 5 | shin-chan | 0.5536 |
| 6 | HybridADMET | 0.5582 |
| 7 | rced_nvx | 0.5663 |
| 8 | tibo | 0.5672 |
| 9 | beetroot | 0.5726 |
| 10 | temal | 0.5809 |
| 11 | yanyn | 0.5818 |
附录 G：九端点单位速查
| 端点 | 单位 | 类别 |
|---|---|---|
| LogD | 无量纲 | 理化 |
| KSOL | µM | 理化/溶解度 |
| HLM CLint | mL/min/kg | 代谢 |
| MLM CLint | mL/min/kg | 代谢 |
| RLM CLint | mL/min/kg | 代谢（仅 raw） |
| Caco-2 Papp A>B | 10⁻⁶ cm/s | 渗透 |
| Caco-2 Efflux | 无量纲 | 渗透 |
| MPPB | % Unbound | 蛋白结合 |
| MBPB | % Unbound | 蛋白结合 |
| MGMB | % Unbound | 蛋白结合 |
附录 H：加载与评估骨架（代码）
from datasets import load_dataset
import numpy as np
import pandas as pd
ENDPOINTS = ["LogD", "KSOL", "HLM CLint", "MLM CLint",
"Caco-2 Permeability Papp A>B", "Caco-2 Permeability Efflux",
"MPPB", "MBPB", "MGMB"]
train = load_dataset("openadmet/openadmet-expansionrx-challenge-data", split="train").to_pandas()
test = load_dataset("openadmet/openadmet-expansionrx-challenge-data", split="test").to_pandas()
def ma_rae(y_true, y_pred, y_tr):
"""按官方口径：每端点 RAE = MAE / 训练集动态范围，再宏平均"""
raes = []
for ep in ENDPOINTS:
m = ~np.isnan(y_true[ep]) & ~np.isnan(y_pred[ep])
if m.sum() == 0:
continue
mae = np.abs(y_true[ep][m] - y_pred[ep][m]).mean()
rng = np.percentile(y_tr[ep].dropna(), 95) - np.percentile(y_tr[ep].dropna(), 5)
raes.append(mae / rng)
return np.mean(raes)
（注：动态范围的具体定义以官方评分为准；此处给出常见实现骨架，使用时请以官方说明校验。）
附录 I：检索决策树
搜"ADMET 数据集"？
├─ 要真实药企项目数据 + 时间切分 → OpenADMET ExpansionRx（本条目）
├─ 要标准化多任务基准聚合 → TDC（rid=131）
├─ 要水溶解度聚合 → AqSolDB（rid=1079）
├─ 要量子化学分子性质 → QMugs（rid=1085）
└─ 要分子构象/几何 → GEOM（rid=1078）
附录 J：系列盲挑战谱系表
| 挑战赛 | 主办 | 时间 | 状态 |
|---|---|---|---|
| Polaris ADMET | Polaris | 2025 | 已办 |
| ExpansionRx-OpenADMET | OpenADMET / ExpansionRx | 2025-10 ~ 2026-01 | 已办，本条目 |
| OpenADMET PXR | OpenADMET | 后续 | 有教程仓 |
| OpenADMET CYP | OpenADMET | 后续 | 有教程仓 |
| OpenBind | OpenADMET | 后续 | 有教程仓 |
附录 K：机构与资助图谱
- 运营：OMSF（Open Molecular Software Foundation）。
- 联盟：OMSF、UCSF、Octant Inc、MSKCC（Chodera Lab）。
- 资助：ARPA-H、Gates Foundation、Schrödinger、Astera Institute。
- 数据方：Expansion Therapeutics（ExpansionRx）。
- 平台：Hugging Face（Space + Datasets）。
附录 L：库内互链点登记（rid 待回填）
| 目标条目 | rid | 建议互链理由 | 链接占位 |
|---|---|---|---|
| tdc | 131 | 同为 ADMET 预测基准，路线对比 | /0 |
| qmugs | 1085 | 分子性质预测同域 | /0 |
| aqsoldb | 1079 | 溶解度主题邻近 | /0 |
| geom | 1078 | 小分子 ML 生态邻域 | /0 |
附录 M：本条目生产档案
- 代理：agent-f-openadmete。
- 私有区：
.parts_agent-f-openadmete_1792114503_305146（时间戳+PID，符合 R008）。 - 数据核验：openadmet.org 博客 + HF API（hf-mirror.com）+ GitHub OpenADMET 组织 + HF 数据集 README + 本地 CSV 实测。
- 双口径：4 条（分子数、许可、冠军、端点数），详见附录 D。
- 坑点：§10 八则（坑 1-8"坑 N："编号制）。
附录 N：维护计划与触发点
- 触发点 1：官方合作论文正式发表 → 补入 §2 论文与时间线、更正确证归属。
- 触发点 2：HF repo 更新（新增端点/修正数据）→ 重核规模与列结构。
- 触发点 3：pebble 与 Inductive Bio 关系被官方确认 → 更新 §7.3 双口径。
- 触发点 4：OpenADMET 后续挑战赛发布 → 更新附录 J 谱系表。
附录 O：引文规范
- 数据集：OpenADMET & Expansion Therapeutics. OpenADMET-ExpansionRx Challenge Full Dataset. Hugging Face, 2026. URL: https://huggingface.co/datasets/openadmet/openadmet-expansionrx-challenge-data
- 结题博客：The OpenADMET - ExpansionRx Blind Challenge has Come to an End. openadmet.org, 2026.
- 联盟信息：OpenADMET GitHub Organization README, github.com/OpenADMET.
附录 P：九端点中文速查卡
| 英文 | 中文 | 关键用途 |
|---|---|---|
| LogD | 脂水分配系数对数 | 亲脂性/渗透性平衡 |
| KSOL | 动力学溶解度 | 可溶程度/筛选假阴性 |
| HLM CLint | 人肝微粒体清除率 | 人体肝代谢/半衰期 |
| MLM CLint | 小鼠肝微粒体清除率 | 跨物种代谢/小鼠 PK |
| Caco-2 Papp A>B | Caco-2 表观渗透系数 | 肠道吸收 |
| Caco-2 Efflux | Caco-2 外排比 | 主动外排/P-gp 底物 |
| MPPB | 小鼠血浆蛋白结合 | 游离药物暴露 |
| MBPB | 小鼠脑组织蛋白结合 | 脑暴露 |
| MGMB | 小鼠腓肠肌结合 | 肌肉组织暴露 |
附录 Q：端点生物学意义深读
Q.1 为什么 ADMET 端点会被"打地鼠"式测定
药物化学的先导优化不是把九个端点一次测完，而是按风险优先级分批测。一个典型的节奏：
- 早期（hit 到 lead）：先测便宜的理化端点——LogD 和 KSOL。这两个测定通量高、成本低，能快速淘汰溶解度极差或亲脂性离谱的分子。
- 中期（lead 优化）：加入代谢稳定性（MLM/HLM CLint）和渗透性（Caco-2）。此时分子已进入结构-活性关系（SAR）打磨阶段，代谢不稳定或渗透差的会被回炉。
- 后期（候选提名前）：才补测昂贵的组织结合（MPPB、MBPB、MGMB）。这些是临近候选决策才做的"最终体检"。
这个节奏直接解释了 §2.3 的稀疏度地图：LogD/KSOL 覆盖九成，MGMB 只剩 4.2%。数据集没有人为补齐，保留了真实项目的测定顺序信息——这本身就是一份"药物化学家的决策日志"。
Q.2 蛋白结合三项的临床前意义
蛋白结合率（Protein Binding）常被外行忽视，但在药物开发中至关重要。药物进入血液后，大部分会与白蛋白等血浆蛋白结合，只有**未结合（unbound）**的那部分能穿过细胞膜、到达靶点。因此：
- MPPB（血浆蛋白结合）：决定游离药物浓度，进而影响有效剂量。
- MBPB（脑组织结合）：对中枢神经系统（CNS）靶点至关重要——若药物在脑组织中大部分被结合，即使总浓度高，有效游离浓度也可能不足。
- MGMB（腓肠肌结合）：对靶向外周/肌肉组织的药物（如肌肉相关疾病）尤为关键，直接反映药物在肌肉中的可作用浓度。
Expansion Therapeutics 的项目针对 RNA 介导疾病，很多涉及肌肉（如强直性肌营养不良的骨骼肌受累），因此 MGMB 虽然数据最少，却是生物学上最贴合项目靶组织的端点。
Q.3 清除率端点的跨物种组合逻辑
HLM（人）、MLM（小鼠）、RLM（大鼠）三个清除率端点不是冗余，而是跨物种代谢稳定性的三角验证：
- 三者都高 → 化合物在多个物种体内都容易被代谢清除，成药性差。
- 人高鼠低 → 存在明显种属差异，小鼠 PK 数据不能直接外推人。
- 三者都低 → 代谢稳定，但过低有时暗示代谢酶抑制风险。
挑战赛只用了 HLM 和 MLM 九个端点之一/之二，RLM 虽在 raw 数据里却"未纳入挑战赛"——推测原因可能是 RLM 数据量偏少（633）或项目优先级较低。
附录 R：时间切分的深层含义
R.1 为什么时间切分比随机切分难
随机切分下，测试集分子与训练集分子在化学空间里高度混合——模型只要"记住邻居"就能取得不错分数。时间切分则不然：晚期分子是化学家在早期分子基础上有目的地优化出来的，它们往往聚集在某些"改进方向"的子空间里。
两个后果：
- 分布漂移（distribution shift）：晚期分子可能整体偏向更高的溶解度、更低的亲脂性（这是优化的方向），模型若只学到训练集的平均趋势，会在测试集上系统性偏差。
- 活性悬崖（activity cliff）放大：一个小小的结构修饰可能让性质骤变，时间切分让这种极端样本更可能出现在测试集里。
R.2 这也是它被称为"工业级基准"的原因
学术界大量 ADMET 模型在随机切分上报出漂亮数字，但一到真实项目就水土不服——因为它们没经历过分布漂移的考验。ExpansionRx 用时间切分"复现"了工业界真实的前瞻预测场景，因此其榜单数字（比如冠军 MA-RAE 0.51）比随机切分基准更有说服力，也更能反映模型的可实用性。
附录 S：MA-RAE 指标的计算深读
S.1 为什么不用 R² 或 RMSE
- RMSE/MAE 的问题：量纲敏感。清除率（mL/min/kg）的数值范围可能有几百，而 LogD 只有 -1 到 5，裸 MAE 会被清除率主导。
- R² 的问题：R² 衡量的是方差的解释比例，在端点方差差异大时同样不可比；且 R² 对系统性偏差不敏感。
- RAE 的优势：把误差除以该端点的动态范围，得到无量纲的相对误差，跨端点可比。
S.2 "宏平均"的公平性含义
宏平均（macro-average）意味着每个端点等权，不管它有多少样本。这与微平均（micro-average，按样本数加权）相反。选宏平均的理由：如果按样本数加权，样本多的 LogD 会主导总分，样本少的 MGMB 几乎被忽略——但恰恰是稀疏端点最能区分模型的高下。宏平均逼迫模型在所有端点上都表现良好。
S.3 动态范围的定义敏感性
RAE 的分母"动态范围"如何定义（最大值减最小值？95 分位差？标准差？）会显著影响分数绝对值。这也是为什么不建议把不同来源的 MA-RAE 直接横向比较——必须确认分母定义一致。本条目复现官方分数时应以官方评分脚本说明为准。
附录 T：候选情报的逐条核验
| 候选情报表述 | 核验结果 | 结论 |
|---|---|---|
| “OpenADMET ExpansionRx” | 官方主名确认 | ✅ 属实 |
| “超过 7,000 个分子” | 实测 7,608 / 7,618 | ✅ 属实（保守下限） |
| “9 个 ADMET 端点” | ML-ready 9 个端点确认 | ✅ 属实（raw 另有第 10 个） |
| “CC0-1.0” | 完整集实测 CC-BY-4.0 | ❌ 部分证伪（仅盲测/预热集为 CC0） |
| “2025 年 10 月盲挑战” | 2025-10-27 启动确认 | ✅ 属实 |
| “openadmet.org 托管” | 官网+HF 托管确认 | ✅ 属实（数据在 HF，组织在 openadmet.org） |
核验总结：候选情报六条中五条属实，一条（许可）部分证伪并已按实测修正。
附录 U：与相邻数据集的差异化对照
| 维度 | OpenADMET ExpansionRx | TDC (rid=131) | AqSolDB (rid=1079) | QMugs (rid=1085) |
|---|---|---|---|---|
| 数据来源 | 单一药企真实项目 | 多源聚合清洗 | 文献聚合 | 量子化学计算 |
| 规模 | 7,600+ 分子 | 多任务汇总 | ~10,000 分子 | ~665,000 分子 |
| 端点类型 | 9 项实验 ADMET | 多任务（含 ADMET） | 水溶解度 | 量子化学性质 |
| 切分方式 | 时间切分 | 随机/骨架 | 随机 | 随机 |
| 许可 | CC-BY-4.0 / CC0 | 多许可 | CC0 | CC-BY |
| 特色 | 真实项目+外推基准 | 标准化横比 | 溶解度专精 | 量化计算 |
这张表回答了检索者最常见的困惑：“这个和 TDC/aqsoldb 有什么区别？”——答案是数据来源的真实性、切分方式、以及是否保留原始项目结构。
附录 V：常见建模错误清单
- 用完整集做无监督预训练再报告测试分数——泄漏答案，等于作弊。
- dropna 后再建模——会删掉九成以上分子，剩下一小撮"全测过"的罕见样本，结论失真。
- 对 out-of-range 值直接 float 转换——raw 版的
>、<会抛异常或转成 NaN。 - 把 % Unbound 当普通回归目标不做变换——该值有界（0–100）且常偏态，建议用 logit 或 beta 变换。
- 忽略端点间量纲直接用 MAE 求和——必须用 RAE 类归一指标。
- 把 train/test 合并当随机切分——破坏时间结构，结果不可复现。
- 按 SMILES 字符串去重——漏掉同一分子的不同书写形式。
- 在小测试集端点上报告高精度——test 的 HLM CLint 仅 782 个非空，MGMB 仅 209 个，样本少时指标方差大。
附录 W：英文检索关键词组合
- 精确：
"openadmet-expansionrx-challenge-data"、"ExpansionRx-OpenADMET"、"OpenADMET ExpansionRx blind challenge" - 相关：
"Expansion Therapeutics ADMET"、"MA-RAE ADMET benchmark"、"time-split ADMET" - 榜单：
"pebble overfit moka OpenADMET"、"OpenADMET ExpansionRx leaderboard" - 工具：
"openadmet-models"、"openadmet-toolkit"、"ExpansionRx-Challenge-Tutorial"
附录 X：读者问答补充
问：这个数据集能用来训练商业 ADMET 模型吗？
可以。完整集是 CC-BY-4.0，允许商用，但须署名 OpenADMET 与 Expansion Therapeutics。注意盲测集（CC0）只有 SMILES 没有答案，单独用它训不出模型。
问：为什么数据这么小还值得开源？
价值不在体量在真实性。7,600 个分子在真实项目语境下、带时间结构、带稀疏测定的数据，比合成或清洗过的百万级数据更能暴露模型缺陷。OpenADMET 的设计哲学是"质量与真实性优先于规模"。
问：挑战赛结束了数据还会更新吗？
完整集于 2026-01 发布后，HF repo 若更新（如补充端点或修正）会改变 lastModified 时间戳。建议使用前查 HF API 确认版本。
问：九个端点里有毒性吗？
严格说没有单列的毒性端点。ADMET 里的 T（Toxicity）在这份数据里不是独立测定项；数据侧重 A/D/M/E。若需毒性预测，需另找 Tox21 等数据集。
问：为什么用小鼠而不是人做蛋白结合？
因为先导优化阶段大量 PK 实验在小鼠体内进行，小鼠血浆/组织结合数据直接服务于小鼠 PK 解释。人体蛋白结合需在更后期、用人体样本测定。这反映了临床前研究的物种选择现实。
问：Raw 版和 ML-ready 版的 out-of-range 差异有多大？
以 LogD 为例，raw 非空 7,331 vs train+test 理论上限 7,608——差值部分即为含修饰符的 out-of-range 测量。做严谨建模时需明确这些值的处理策略。
问：数据集有预定义的评估脚本吗？
官方通过 HF Space 的后端评分，评分脚本的完整细节未完全公开；challenge-data-checker 与教程仓提供了部分审计与起步工具。
附录 Y：术语中英对照补充表
| 中文 | 英文 | 中文 | 英文 |
|---|---|---|---|
| 先导优化 | lead optimization | 固有清除率 | intrinsic clearance |
| 盲挑战 | blind challenge | 肝微粒体 | liver microsomes |
| 时间切分 | time split | 表观渗透系数 | apparent permeability |
| 宏平均相对绝对误差 | macro-average relative absolute error | 外排比 | efflux ratio |
| 血浆蛋白结合 | plasma protein binding | 组织结合 | tissue binding |
| 游离分数 | unbound fraction | 分布漂移 | distribution shift |
| 活性悬崖 | activity cliff | 伪重复 | pseudoreplication |
附录 Z：数据规格对照总表
| 规格项 | train | test | raw |
|---|---|---|---|
| 分子数 | 5,326 | 2,282 | 7,618 |
| 列数 | 11 | 11 | 12 |
| LogD 非空 | 5,039 | 2,270 | 7,331 |
| KSOL 非空 | 5,128 | 2,170 | 7,423 |
| HLM CLint 非空 | 3,759 | 782 | 4,822 |
| RLM CLint 非空 | — | — | 633 |
| MLM CLint 非空 | 4,522 | 1,170 | 5,805 |
| Caco-2 Papp 非空 | 2,157 | 1,616 | 3,806 |
| Caco-2 Efflux 非空 | 2,161 | 1,616 | 3,803 |
| MPPB 非空 | 1,302 | 454 | 1,770 |
| MBPB 非空 | 975 | 451 | 1,430 |
| MGMB 非空 | 222 | 209 | 432 |
| 含 out-of-range 修饰符 | 否 | 否 | 是 |
| 含 RLM 端点 | 否 | 否 | 是 |
附录 AA：九端点逐项建模建议
AA.1 LogD
数据最充裕、最经典。建议作为基线端点验证流水线是否跑通。因为 LogD 与分子亲脂性相关，基于 RDKit 的 Crippen logP 描述符往往就能取得不错的基线。注意 LogD 在 pH 依赖上可能有化学系列内的系统差异。
AA.2 KSOL
动力学溶解度受晶型、纯度影响，实验噪声相对大。建议关注模型在高溶解度与低溶解度两端的表现，因为低溶解度区间的相对误差往往更关键。与 aqsoldb 的 logS 数据可做对照但不建议直接合并训练（测定类型不同）。
AA.3 HLM CLint / MLM CLint
清除率测量常呈对数分布，建议对目标做 log 变换后再回归，避免高清除率样本主导损失。HLM 的 test 样本仅 782 个，评估时务必报告置信区间而非单点分数。跨物种（HLM vs MLM）的联合建模可能通过共享表示提升两端的泛化。
AA.4 Caco-2 Papp / Efflux
两项常成对测定，可考虑多任务联合建模。Efflux 比率本质上是一个比值，分布右偏，log 变换有益。Papp 与渗透率相关的分子描述符（如 TPSA、HBD/HBA 数、logP）高度相关，特征工程空间大。
AA.5 MPPB / MBPB / MGMB
三项都是 % Unbound，有界于 0–100，建议用 logit 变换或 beta 回归。数据稀疏（尤其 MGMB），建议：早停策略防过拟合；考虑迁移学习——先用数据较多的 MPPB 预训练，再微调 MBPB/MGMB；交叉验证采用重复 k-fold 以稳定估计。
附录 AB：从数据看 Expansion Therapeutics 的项目结构
虽然数据集匿名化了具体靶点，但从端点的稀疏模式可以反推项目特征：
- 高覆盖的 LogD/KSOL 说明项目经历了大规模早期筛选，化合物体量在数千级。
- MGMB 存在且被测量 强烈暗示项目靶组织涉及骨骼肌——这与强直性肌营养不良（DM1，主要累及骨骼肌）的疾病背景一致。
- MBPB 存在 提示部分项目可能涉及中枢神经系统或需要评估脑暴露（ALS/痴呆相关）。
- RLM 仅 633 个 说明大鼠代谢测定只在少数关键化合物上做，符合"多物种验证仅用于临近候选分子"的实践。
这些推断是从数据结构反推的合理推断，非官方声明，仅作理解数据背景的辅助。
附录 AC：挑战赛时间线详表
| 日期 | 事件 |
|---|---|
| 2025-09-25 | 训练集 HF repo 创建 |
| 2025-10-02 | 盲测集 HF repo 创建 |
| 2025-10-08 | 预热/teaser 数据集发布 |
| 2025-10-27 | 盲挑战正式启动（HF Space 上线） |
| 2025 秋 | 中期排行榜评估 |
| 2026-01-19 | 挑战赛截止 |
| 2026-01-26/27 | 完整数据集发布 |
| 2026-02-03 | Inductive Bio 发夺冠新闻稿 |
| 2026 后续 | 官方统计复评博客"Peak Performance or Just Noise?" |
| 2026 后续 | 合作论文（计划中，尚未见发表） |
附录 AD：与库内其他"挑战赛数据集"模式对照
库内已有多条"挑战赛数据集"类条目（category_tags 含"挑战赛数据集"），它们的共同模式是：真实数据 + 隐藏测试集 + 排行榜 + 结题开源。OpenADMET ExpansionRx 属于这一模式的分子科学版：
| 要素 | 医学影像类挑战 | OpenADMET ExpansionRx |
|---|---|---|
| 数据模态 | 影像/病理 | 分子结构 + 理化测量 |
| 隐藏对象 | 测试集标注 | 测试集端点数值 |
| 评估指标 | Dice/AUC 等 | MA-RAE |
| 结题开源 | 常见 | 是（完整集） |
| 领域 | 医学影像/病理 | 药物发现与化学 |
这一对照说明：盲挑战 + 结题开源是跨学科通用的数据生产范式，OpenADMET 把它带到了小分子 ADMET 领域。
附录 AE：如何用这个数据集做一次公平对标
若你想用 OpenADMET ExpansionRx 评估自己的模型，推荐流程：
- 固定切分：只用官方 train 训练、官方 test 评估，绝不重新随机划分。
- 明确口径：确认是评估完整 test 集还是官方半盲验证子集，并说明。
- 指标一致：用 MA-RAE，且动态范围定义与官方一致；同时报告每端点 RAE。
- 稀疏处理透明：说明各端点用了多少有效样本，缺测点如何处理。
- 多次随机种子：至少 3–5 个种子，报告均值±标准差，尤其稀疏端点（MGMB、HLM test）。
- 对照官方榜单：与 pebble（0.5113）等公开分数对比时，注明自己用的是完整 test 还是验证子集，口径必须对齐才可比。
- 报告置信区间：稀疏端点的单点分数不可靠，建议 bootstrap 置信区间。
附录 AF：数据质量观察
在核验过程中对数据本身的质量观察：
- 无重复行：train/test/raw 内按 Molecule Name 未见明显重复（未逐行深核）。
- 端点值范围合理：抽查 LogD 在 -1~5 区间、KSOL 在个位数至数百 µM、% Unbound 在 0–100，符合化学常识。
- 稀疏非随机：缺失不是随机丢弃，而是与项目阶段的测定决策强相关——这既是数据特色，也可能给建模带来选择偏差（selection bias），值得作为研究课题。
- 命名规整：E-XXXXXXX 格式一致，便于解析。
附录 AG：对 AI-Ready 的再评估
按 DAIMS 五维度复核（与附录 C 呼应）：
- D 数据质量：真实、可追溯、有官方文档。扣分项是稀疏性与缺标准标识。
- A 可访问性：HF 标准托管、直链可用、体积小。扣分项是许可跨 repo 不一致。
- I 互操作性：CSV+SMILES 是通用格式，但缺 InChIKey/标准本体映射。
- M 元数据质量：README 说明端点、单位、时间切分；但许可未在单页统一、榜单数据不在官方页。
- S 可持续性：机构背书强、系列挑战赛延续、HF 长期托管，可持续性好。
整体来看，这是一个高质量但需要使用者主动处理稀疏性的数据集——"就绪"程度高，但非"开箱即用"的补齐型数据。
附录 AH：一句话回答十个高频疑问
- 是什么？→ 真实药企 ADMET 数据集 + 盲挑战。
- 多大？→ 7,608 分子（train+test）。
- 几端点？→ 9（raw 含第 10 个 RLM）。
- 谁给的？→ Expansion Therapeutics，OpenADMET/HF 主办。
- 何时？→ 2025-10-27 至 2026-01-19。
- 怎么评？→ MA-RAE，时间切分。
- 谁赢？→ 官方榜冠军 pebble。
- 许可？→ 完整集 CC-BY-4.0，盲测集 CC0-1.0。
- 怎么拿？→
load_dataset("openadmet/openadmet-expansionrx-challenge-data", split="train")。 - 坑在哪？→ 许可不是一揽子 CC0、时间切分勿当随机、raw 版另有 RLM 和第 10 端点。
附录 AI：端点测定方法学背景
理解端点数据的前提是知道它们各自怎么测。以下为各测定的通用方法学背景（教科书级别常识，用于解释数据特征）：
AI.1 LogD 的测定
LogD 通常在 pH 7.4 的磷酸缓冲液中，用正辛醇/水分配（shake-flask 或 HPLC 法）测定。数据集中给出的 LogD 值多为高通量色谱法（chromatographic logD）估算，与经典摇瓶法可能有系统差异。分子若带可电离基团，LogD 会随 pH 变化，单点 LogD 只是 pH 7.4 处的截面。
AI.2 动力学溶解度的测定
动力学溶解度（KSOL）一般流程：从 DMSO 储备液取少量加入缓冲液，短期（数分钟至数小时）孵育后过滤/离心，用 UV 或 LC-MS 定量上清液浓度。因为未达到热力学平衡，KSOL 往往高于热力学溶解度，且受"是否形成过饱和"影响，批次间变异较大。
AI.3 肝微粒体清除率的测定
将化合物与肝微粒体（含细胞色素 P450 等代谢酶）及 NADPH 辅因子共孵育，定时采样测定母体化合物浓度下降速率，得到固有清除率 CLint。人（HLM）、小鼠（MLM）、大鼠（RLM）分别用对应物种的微粒体。CLint 换算为 mL/min/kg 需用生理缩放因子。
AI.4 Caco-2 渗透性的测定
在人结肠腺癌 Caco-2 细胞形成的极化单层上测渗透：顶侧加药、基底侧取样得 A→B 的 Papp；反向得 B→A。外排比 = Papp(B→A)/Papp(A→B)。外排比大于 2 通常提示存在主动外排转运体（如 P-gp）。Caco-2 培养周期长达 21 天，通量受限于培养能力——这解释了为何其覆盖率仅约四成。
AI.5 蛋白/组织结合的测定
蛋白结合常用平衡透析（equilibrium dialysis）或超滤：将化合物置于含蛋白（血浆或组织匀浆）的半透膜一侧，平衡后测两侧浓度，算出未结合分数（% Unbound）。组织结合（脑、肌肉）需用组织匀浆，操作更复杂，因此数据更少。这是 MBPB/MGMB 稀疏的根本原因。
附录 AJ：为什么"9 个端点"是一个精心选择的集合
九个端点不是随意拼凑，它们覆盖了 ADMET 的多个关键环节，形成一个"成药性体检套餐"：
| ADMET 环节 | 覆盖端点 |
|---|---|
| A 吸收 | Caco-2 Papp、Caco-2 Efflux、KSOL |
| D 分布 | MPPB、MBPB、MGMB、LogD |
| M 代谢 | HLM CLint、MLM CLint（+RLM） |
| E 排泄 | 间接由清除率反映 |
| T 毒性 | 未单列（数据集不含独立毒性测定） |
一个理想的候选分子在这个套餐里应当：溶解度足够、渗透性好、外排比低、代谢稳定、在血浆和靶组织中游离分数合理。数据集让模型同时对这九个维度做预测——这本身就是多任务学习的天然场景。
附录 AK：研究者常见问题（进阶）
问：可以用 SMILES 增强（如随机 SMILES、枚举）来扩充训练集吗？
可以，但要注意别把增强后的同一分子分到训练与测试两侧，否则破坏时间切分。增强只应在训练集内部做。
问：九端点该用单模型多任务还是九个单任务模型？
没有定论。多任务能共享化学表示、缓解稀疏端点样本少的问题，但可能被高覆盖端点主导。实践中常两者都试并集成。稀疏端点（MGMB）尤其受益于多任务的知识迁移。
问：如何判断模型是否真的学到了 ADMET 规律而非过拟合？
做外部验证——在别的 ADMET 数据集（如 TDC 的 ADMET 子集）上测试模型，看性能能否保持。也可做骨架外推（scaffold split）自测。
问：榜单前几名用了什么方法？
官方计划在 webinar 与合作论文中披露。已知 AIBuildAI-2 这类自动化 agent 采用 CheMeleon MPNN 图模型 + 指纹/LightGBM 表格分支的混合集成，MA-RAE 0.6300（榜中段）。冠军级方案的具体细节待官方公布。
问：为什么叫 “ExpansionRx” 而不是 “Expansion Therapeutics”？
“ExpansionRx” 是用于挑战赛与数据集的品牌化简称，主体公司为 Expansion Therapeutics。官网与博客两者混用，检索时都可尝试。
附录 AL：数据集的局限与边界（使用者须知）
- 单机构数据：全部来自 Expansion Therapeutics，化学空间带有该公司项目的偏好，跨机构泛化需外部验证。
- 疾病偏向：项目聚焦 RNA 介导疾病（DM1/ALS/痴呆），分子可能偏向某些化学型。
- 时间结构不可逆：时间切分是数据集的核心设计，破坏它就失去了作为"工业前瞻基准"的价值。
- 缺毒性终点：想研究毒性预测需另找数据。
- 稀疏与选择偏差：缺失非随机，做缺失值研究或半监督学习时需谨慎。
- 无患者维度：纯分子数据，不涉及临床。
附录 AM：本条目与其他 ADMET 百科条目的阅读顺序建议
若你正在系统了解 ADMET 数据资源，建议阅读顺序：
- 先读本条目（OpenADMET ExpansionRx）——理解"真实项目数据 + 时间切分"的范式。
- 再读 tdc（rid=131）——理解标准化多任务基准如何组织。
- 需要溶解度专精时读 aqsoldb（rid=1079）。
- 需要量子化学性质时读 qmugs（rid=1085）。
- 需要分子构象生成时读 geom（rid=1078）。
这样一个"真实数据 → 标准基准 → 专项数据"的路径，能覆盖 ADMET 与分子性质预测的主要数据面。
附录 AN：核心数字一览（便于引用）
| 数字 | 值 | 来源 |
|---|---|---|
| train 分子数 | 5,326 | CSV 实测 |
| test 分子数 | 2,282 | CSV 实测 |
| train+test | 7,608 | 计算 |
| raw 分子数 | 7,618 | CSV 实测 |
| 挑战赛端点数 | 9 | 官方 |
| raw 端点数 | 10 | 官方 README |
| 参与者 | 370+ | 官方博客 |
| 提交数 | 4,000+ | 官方博客 |
| Discord 人数 | 446 | 官方博客 |
| 训练数据下载 | 1,000+ | 官方博客 |
| 冠军 MA-RAE | 0.5113 | benchmarklist |
| 完整集体积 | ≈683 KB | HF API usedStorage |
| 挑战期 | 2025-10-27 ~ 2026-01-19 | 官方博客 |
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- aqsoldb — 共享标签：药物发现与化学 / 分子性质预测 / 化学信息学 / 评测基准
- moleculenet — 共享标签：药物发现与化学 / 分子性质预测 / 化学信息学 / 评测基准
- matbench — 共享标签：药物发现与化学 / 分子性质预测 / 化学信息学 / 评测基准
- bace — 共享标签：药物发现与化学 / 分子性质预测 / 化学信息学 / 评测基准
- qm9 — 共享标签：药物发现与化学 / 分子性质预测 / 化学信息学 / 评测基准
- plumber — 共享标签：药物发现与化学 / 分子性质预测 / 化学信息学 / 评测基准
- tdc — 共享标签：药物发现与化学 / 化学信息学 / 评测基准
- ctrp-v2 — 共享标签：药物发现与化学 / 分子性质预测 / 化学信息学
- openbind — 共享标签：药物发现与化学 / 挑战赛数据集 / 评测基准
- pubchem-pcba — 共享标签：药物发现与化学 / 化学信息学 / 评测基准
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
