PyTDC (Therapeutics Data Commons)

Use a distribuição oficial PyTDC (import tdc) para descobrir tarefas de ML terapêuticas, carregar conjuntos de dados aprovados, aplicar divisões apropriadas para a tarefa, avaliar previsões e trabalhar com grupos de benchmark curados. Prefira metadados do pacote em vez de listas de conjuntos de dados copiadas e planeje efeitos de rede/armazenamento antes de construir qualquer carregador.

Snapshot verificado

• Data da pesquisa: 2026-10-01
• PyPI estável: PyTDC 1.1.15, lançado em 2025-03-31
• Repositório de pacotes/código-fonte: mims-harvard/TDC
• Licença do código: MIT
• O PyPI fornece apenas uma distribuição de código-fonte e não declara Requires-Python
• O grafo de dependências faz do CPython 3.11 o alvo reproduzível usado aqui: cellxgene-census==1.15.0 exclui o Python 3.12, e a versão restrita do RDKit do PyTDC não tem wheel para CPython 3.13
• PyTDC importa pkg_resources depreciado em tempo de execução. O Setuptools 82 removeu esse módulo; fixe a versão de compatibilidade verificada setuptools 80.9.0.
• tdc.readthedocs.io ainda se identifica como TDC 0.4.1; use-o como referência de API, não como evidência de versão de lançamento
• O upstream não publica tags/lançamentos do GitHub ou changelog mantido. Trate as alegações de migração não documentadas como incerteza e verifique contra o código-fonte/metadados instalados 1.1.15.

Veja references/sources.md para evidências datadas e conflitos de documentação conhecidos.

Instalação

Use um ambiente CPython 3.11 isolado e fixe o snapshot revisado:

uv venv --python 3.11 .venv-pytdc
uv pip install --dry-run --python .venv-pytdc/bin/python \
  "setuptools==80.9.0" "PyTDC==1.1.15"
uv pip install --python .venv-pytdc/bin/python \
  "setuptools==80.9.0" "PyTDC==1.1.15"

A resolução de teste atual do macOS ARM64 instalou 128 pacotes, incluindo dependências científicas/ML grandes, portanto, o próprio ambiente pode transferir e ocupar centenas de megabytes antes que qualquer conjunto de dados seja baixado. Revise a simulação e o disco disponível primeiro. As fixações diretas identificam o snapshot de API revisado; gere um uv.lock específico da plataforma no projeto do usuário quando cada versão transitiva também precisar ser congelada.

Para um comando efêmero:

uv run --no-project --isolated --python 3.11 \
  --with "setuptools==80.9.0" --with "PyTDC==1.1.15" \
  python scripts/discover_metadata.py --kind tasks

Para verificar se há uma nova versão, inspecione o histórico de lançamentos do PyPI em https://pypi.org/project/pytdc/. Antes de alterar a fixação, compare sua distribuição de código-fonte, dependências, repositório oficial, registros de tarefas e testes de fumaça; não substitua silenciosamente o pacote separado pytdc-nextml.

Política de dados e rede não negociável

1. Descubra primeiro. Ler tdc.metadata ou usar scripts/discover_metadata.py não instancia um carregador nem baixa dados.
2. Planeje em seguida. Registre a tarefa/conjunto de dados exato, página oficial da tarefa, licença, tamanho esperado, diretório de cache, divisão, métrica e semente de reprodutibilidade.
3. Confirme o escopo autorizado antes de baixar. Construtores de carregadores buscam dados ausentes. Alguns conjuntos de dados e arquivos de grupos de benchmark são grandes; oráculos baseados em modelos podem buscar checkpoints; oráculos remotos/de docking podem transmitir estruturas moleculares.
4. Execute dentro desse escopo. Em CLIs empacotados, --execute reconhece a execução e --download é adicionalmente necessário para corpora MolGen ou checkpoints de oráculo suportados.
5. Mantenha as saídas limitadas. Emita contagens, esquemas e pequenas prévias em vez de conjuntos de dados completos, sequências, arrays de previsão ou corpora de moléculas.

Comportamento de cache e custo

• Carregadores comuns usam path="./data" por padrão e salvam arquivos abaixo desse caminho. Os scripts empacotados, em vez disso, usam diretórios .pytdc-* explícitos por padrão.
• Downloads principais usam pontos de extremidade de arquivo do Harvard Dataverse quando um nome de arquivo local está ausente. Classes de recursos mais novas podem usar outros serviços upstream.
• admet_group(path=...) e outros construtores de grupos de benchmark baixam e extraem o arquivo do grupo quando <path>/<group> está ausente.
• A construção de Oracle(...) com base em download usa ./oracle internamente. O CLI de oráculo empacotado muda para um diretório de tempo de execução seguro antes de chamadas aprovadas.
• PyTDC 1.1.15 não fornece uma cota de cache universal, política de despejo ou manifesto de checksum para todo o conjunto de dados. Use scripts/cache_audit.py e gerencie a retenção de disco explicitamente.
• Transferência de rede, armazenamento local, descompressão, análise, geração de recursos,

…