005 讲了怎么用 PyTDC 上手，本篇把 TDC 当成一张「资源地图」来导航：它把 AIDD 的任务、数据与评测方法系统组织起来，是判断「某个问题该用哪些数据、用什么指标」的权威参照。
三层结构：任务 / 数据函数 / Benchmark
- 任务（Problems）：按机器学习形态分为单实例预测、成对预测、生成三大类，每类下再细分到具体治疗任务。
- 数据函数（Data Functions）：标准化的数据划分（随机、骨架、冷启动）、标签分布查看、数据集生成等，保证实验可比、可复现。
- Benchmark Group：把若干数据集打包成标准评测套件，并维护公开排行榜（Leaderboard）。
怎么用它做判断
- 选任务：先在任务地图里定位你的问题属于哪一类（如「ADMET 属于单实例回归 / 分类」）。
- 选划分与指标：直接采用 TDC 推荐的划分与评测函数，而不是自创——这是结果可信的前提。
- 看排行榜：用 Benchmark Group 的 Leaderboard 校准预期，知道当前 SOTA 在什么水平。
常见任务组速览
- ADMET Group：成药性预测；
- HTS Group：高通量筛选活性；
- DTI Group：药物-靶点相互作用；
- 还有 DDI、产率、临床试验、基因组等任务组（详见「数据资源」模块）。
关键要点
- 把 TDC 当「任务—数据—评测」的地图，而非单个数据集；
- 用标准划分与官方指标，避免不可比与数据泄漏；
- 排行榜帮你校准「多少分才算好」。
延伸资源
- 官方网站：tdcommons.ai。
- 配套：005《TDC 教程》、「数据资源」模块 TDC 各任务组。