Compétences torchdrug
⚗️
torchdrug
Sûr ⚡
Contient des scripts⚙️
Commandes externes🌐
Accès réseau
تطبيق الشبكات العصبية البيانية لأبحاث اكتشاف الأدوية
Également disponible depuis: K-Dense-AI
توقع الخصائص الجزيئية، وتوليد مركبات جديدة، وتحليل البروتينات باستخدام مكتبة TorchDrug للتعلم الآلي. تدريب الشبكات العصبية البيانية على الجزيئات والبروتينات والرسوم البيانية المعرفية الطبية الحيوية لمهام اكتشاف الأدوية والكيمياء الحاسوبية.
Prend en charge: Claude Codex Code(CC)
1
Télécharger le ZIP du skill
2
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
3
Activez et commencez à utiliser
Tester
Utilisation de "torchdrug". التنبؤ باختراق الحاجز الدموي الدماغي لجزيء بـ SMILES 'CC(=O)OC1=CC=CC=C1C(=O)O' (الأسبرين)
Résultat attendu:
- يحول TorchDrug تمثيل SMILES إلى تمثيل رسم بياني جزيئي مع الذرات والروابط
- يعالج نموذج GIN الرسم البياني من خلال طبقات تمرير الرسائل
- تخرج مهمة PropertyPrediction احتمالية اختراق BBB (0-1)
- الناتج المتوقع: مقياس AUROC على مجموعة الاختبار بعد التدريب، ودرجات التنبؤ للجزيئات الجديدة
Utilisation de "torchdrug". توليد جزيئات جديدة شبيهة بالأدوية تستهدف البروتياز الرئيسي لـ SARS-CoV-2
Résultat attendu:
- تدريب GraphAutoregressiveFlow على مجموعة بيانات ZINC250k مع قيود الخصائص
- تحديد دالة المكافأة التي تجمع بين توقع قوة الارتباط والخصائص الدوائية (QED)
- توليد الجزيئات ذات الخصائص المرغوبة باستخدام التعلم المعزز
- التحقق من صحة الجزيئات المولدة باستخدام RDKit ونموذج توقع الخصائص
Audit de sécurité
Sûrv5 • 1/17/2026
Pure documentation skill containing only markdown reference files. No executable code, scripts, network calls, or filesystem access beyond reading its own documentation files. All 328 static findings are false positives from markdown documentation patterns being misinterpreted as security issues.
10
Fichiers analysés
3,714
Lignes analysées
3
résultats
5
Total des audits
Facteurs de risque
⚡ Contient des scripts (1)
⚙️ Commandes externes (221)
references/core_concepts.md:26 references/core_concepts.md:39 references/core_concepts.md:40 references/core_concepts.md:41 references/core_concepts.md:42 references/core_concepts.md:45-56 references/core_concepts.md:56-63 references/core_concepts.md:63-75 references/core_concepts.md:75-89 references/core_concepts.md:89-90 references/core_concepts.md:90-91 references/core_concepts.md:91-92 references/core_concepts.md:92-93 references/core_concepts.md:93-94 references/core_concepts.md:94-97 references/core_concepts.md:97-98 references/core_concepts.md:98-99 references/core_concepts.md:99-100 references/core_concepts.md:100-112 references/core_concepts.md:112-113 references/core_concepts.md:113-114 references/core_concepts.md:114-115 references/core_concepts.md:115-118 references/core_concepts.md:118-119 references/core_concepts.md:119-120 references/core_concepts.md:120-121 references/core_concepts.md:121-122 references/core_concepts.md:122-125 references/core_concepts.md:125-134 references/core_concepts.md:134-141 references/core_concepts.md:141-142 references/core_concepts.md:142-143 references/core_concepts.md:143-144 references/core_concepts.md:144-145 references/core_concepts.md:145-148 references/core_concepts.md:148-149 references/core_concepts.md:149-150 references/core_concepts.md:150-158 references/core_concepts.md:158-169 references/core_concepts.md:169-181 references/core_concepts.md:181-182 references/core_concepts.md:182-183 references/core_concepts.md:183-196 references/core_concepts.md:196-215 references/core_concepts.md:215-218 references/core_concepts.md:218-219 references/core_concepts.md:219-220 references/core_concepts.md:220-221 references/core_concepts.md:221-227 references/core_concepts.md:227-228 references/core_concepts.md:228-236 references/core_concepts.md:236-243 references/core_concepts.md:243-251 references/core_concepts.md:251-282 references/core_concepts.md:282-293 references/core_concepts.md:293-307 references/core_concepts.md:307-313 references/core_concepts.md:313-358 references/core_concepts.md:358-364 references/core_concepts.md:364-389 references/core_concepts.md:389-396 references/core_concepts.md:396-397 references/core_concepts.md:397-400 references/core_concepts.md:400-401 references/core_concepts.md:401-404 references/core_concepts.md:404-405 references/core_concepts.md:405-406 references/core_concepts.md:406-410 references/core_concepts.md:410-420 references/core_concepts.md:420-454 references/core_concepts.md:454-467 references/core_concepts.md:467-471 references/core_concepts.md:471-476 references/core_concepts.md:476-490 references/core_concepts.md:490-491 references/core_concepts.md:491-496 references/core_concepts.md:496 references/core_concepts.md:496-503 references/core_concepts.md:503-513 references/core_concepts.md:513-521 references/core_concepts.md:521-532 references/core_concepts.md:532-533 references/core_concepts.md:533-534 references/core_concepts.md:534-539 references/core_concepts.md:539-554 references/core_concepts.md:554-558 references/core_concepts.md:558 references/datasets.md:168 references/datasets.md:169 references/datasets.md:170 references/datasets.md:171 references/datasets.md:252-268 references/datasets.md:268-272 references/datasets.md:272-284 references/knowledge_graphs.md:130-153 references/knowledge_graphs.md:153-163 references/knowledge_graphs.md:163-164 references/knowledge_graphs.md:164-175 references/models_architectures.md:26 references/models_architectures.md:27 references/models_architectures.md:28 references/models_architectures.md:29 references/models_architectures.md:30 references/models_architectures.md:31 references/models_architectures.md:55 references/models_architectures.md:55 references/models_architectures.md:56 references/models_architectures.md:57 references/models_architectures.md:58 references/models_architectures.md:82 references/models_architectures.md:82 references/models_architectures.md:83 references/models_architectures.md:84 references/models_architectures.md:85 references/models_architectures.md:86 references/models_architectures.md:110 references/models_architectures.md:111 references/models_architectures.md:112 references/models_architectures.md:136 references/models_architectures.md:136 references/models_architectures.md:137 references/models_architectures.md:138 references/models_architectures.md:139 references/models_architectures.md:164 references/models_architectures.md:165 references/models_architectures.md:166 references/models_architectures.md:167 references/models_architectures.md:192 references/models_architectures.md:192 references/models_architectures.md:193 references/models_architectures.md:217 references/models_architectures.md:217 references/models_architectures.md:218 references/models_architectures.md:219 references/models_architectures.md:246 references/models_architectures.md:247 references/models_architectures.md:248 references/models_architectures.md:249 references/models_architectures.md:250 references/models_architectures.md:348 references/models_architectures.md:348 references/models_architectures.md:349 references/models_architectures.md:367 references/models_architectures.md:367 references/models_architectures.md:368 references/models_architectures.md:369 references/models_architectures.md:430 references/models_architectures.md:431 references/models_architectures.md:432 references/molecular_generation.md:171-190 references/molecular_property_prediction.md:42 references/molecular_property_prediction.md:43 references/molecular_property_prediction.md:44 references/molecular_property_prediction.md:45 references/molecular_property_prediction.md:46 references/molecular_property_prediction.md:49-66 references/molecular_property_prediction.md:66-122 references/molecular_property_prediction.md:122-129 references/protein_modeling.md:190-201 references/protein_modeling.md:201-257 references/protein_modeling.md:257-264 references/retrosynthesis.md:109-146 SKILL.md:42-46 SKILL.md:46-50 SKILL.md:50-85 SKILL.md:85-104 SKILL.md:104-127 SKILL.md:127-148 SKILL.md:148-170 SKILL.md:170-192 SKILL.md:192-209 SKILL.md:209-225 SKILL.md:225-238 SKILL.md:238-240 SKILL.md:240-244 SKILL.md:244-251 SKILL.md:251-253 SKILL.md:253-257 SKILL.md:257-264 SKILL.md:264-266 SKILL.md:266-271 SKILL.md:271-285 SKILL.md:285-292 SKILL.md:292-299 SKILL.md:299-306 SKILL.md:306-320 SKILL.md:320-325 SKILL.md:325-337 SKILL.md:337-342 SKILL.md:342-360 SKILL.md:360-366 SKILL.md:366-378 SKILL.md:378-379 SKILL.md:379-380 SKILL.md:380-383 SKILL.md:383-384 SKILL.md:384-385 SKILL.md:385-386 SKILL.md:386-389 SKILL.md:389 SKILL.md:389-390 SKILL.md:390-391 SKILL.md:391-392 SKILL.md:392-395 SKILL.md:395-396 SKILL.md:396-397 SKILL.md:397-402 SKILL.md:402 SKILL.md:402-403 SKILL.md:403-408 SKILL.md:408-413 SKILL.md:413-418 SKILL.md:418-423 SKILL.md:423-435 SKILL.md:435-436 SKILL.md:436-437 SKILL.md:437-438 SKILL.md:438-439 SKILL.md:439-440 SKILL.md:440-441 SKILL.md:441-442
🌐 Accès réseau (3)
Audité par: claude Voir l’historique des audits →
Score de qualité
45
Architecture
100
Maintenabilité
87
Contenu
20
Communauté
100
Sécurité
83
Conformité aux spécifications
Ce que vous pouvez construire
توقع خصائص ADMET
تدريب النماذج للتنبؤ بالامتصاص والتوزيع والتمثيل الغذائي والإخراج والسمية للمرشحات الدوائية من البنية الجزيئية.
توليد الجزيئات من الصفر
توليد مركبات جديدة شبيهة بالأدوية محسّنة للارتباط بالهدف والخصائص الدوائية وقابلية التركيب باستخدام النماذج التوليدية القائمة على الرسوم البيانية.
توقع وظيفة البروتين
التنبؤ بوظيفة الإنزيم والموقع تحت الخلوي والتفاعلات بين البروتينات من التسلسل أو البنية باستخدام نماذج ESM وGearNet.
Essayez ces prompts
توقع الخصائص الأساسية
استخدم TorchDrug للتنبؤ بالخصائص الجزيئية. قم بتحميل مجموعة بيانات BBBP، وحدد نموذج GIN، ودرب مهمة PropertyPrediction باستخدام خسارة BCE. استخدم scaffold splitting وقيّم باستخدام AUROC.
تحليل وظيفة البروتين
استخدم TorchDrug للتنبؤ بوظيفة البروتين. قم بتحميل مجموعة بيانات EnzymeCommission، واستخدم نموذج ESM مدرب مسبقاً، ودرب مهمة PropertyPrediction لتصنيف رقم EC متعدد الفئات.
توليد الجزيئات
استخدم TorchDrug لتوليد جزيئات جديدة. قم بتدريب GraphAutoregressiveFlow على ZINC250k، ثم قم بتوليد الجزيئات مع قيود على logP والوزن الجزيئي ودرجة إمكانية التركيب.
إعادة استخدام الأدوية
استخدم TorchDrug لإعادة استخدام الأدوية. قم بتحميل الرسم البياني المعرفي Hetionet، ودرب نموذج RotatE لـ KnowledgeGraphCompletion، وتنبأ بعلاقات Compound-treats-Disease الجديدة.
Bonnes pratiques
- استخدم scaffold splitting للتقييم الواقعي لاكتشاف الأدوية بدلاً من التقسيمات العشوائية لتجنب تسرب البيانات
- ابدأ بالنماذج المدربة مسبقاً (ESM للبروتينات، InfoGraph للجزيئات) عندما تكون بيانات التدريب محدودة
- راقب AUROC وAUPRC معاً لمجموعات بيانات الخصائص الجزيئية غير المتوازنة
- طبق تعزيز البيانات مثل العقد والحواف الافتراضية لمجموعات البيانات الجزيئية الصغيرة
Éviter
- استخدام التقسيمات العشوائية على مجموعات البيانات الجزيئية يسبب تسرب البيانات بين مجموعات التدريب والاختبار
- التدريب من الصفر على مجموعات البيانات الصغيرة يؤدي إلى الإفراط في التكيف وضعف التعميم
- تجاهل ميزات الحواف (أنواع الروابط، الكيمياء الفراغية) يقلل من دقة التنبؤ
- استخدام TransE على علاقات N-to-N في الرسوم البيانية المعرفية يعطي نتائج سيئة
Foire aux questions
ما هي مجموعات البيانات المتاحة لتوقع الخصائص الجزيئية؟
BBBP (الحاجز الدموي الدماغي)، HIV (التثبيط)، Tox21 (السمية)، ESOL (القابلية للذوبان)، QM9 (الخصائص الكمية)، وأكثر من 20 مجموعة بيانات منسقة مع التنزيل التلقائي.
أي نموذج GNN يجب أن أختار للمهام الجزيئية؟
يُنصح باستخدام GIN كخيار أول لمعظم مهام توقع الخصائص الجزيئية بسبب قوته التعبيرية النظرية. استخدم SchNet عندما تكون الإحداثيات ثلاثية الأبعاد متاحة.
كيف أدمج TorchDrug مع بنيات AlphaFold؟
قم بتحميل ملفات AlphaFold PDB باستخدام data.Protein.from_pdb()، ثم قم ببناء رسوم بيانية للبقايا مع حواف مكانية باستخدام protein.residue_graph() مع edge_types=['sequential', 'radius'].
هل بياناتي آمنة عند استخدام TorchDrug؟
نعم. يعمل TorchDrug محلياً ويصل فقط إلى مجموعات البيانات التي تحملها بشكل صريح. لا يتم إرسال أي بيانات إلى خوادم خارجية. تتم جميع العمليات الحسابية على جهازك.
لماذا لا يتعلم نموذجي على مجموعات بيانات البروتين الصغيرة؟
استخدم تضمينات ESM المدربة مسبقاً وضبطها الدقيق بمعدل تعلم صغير (1e-5). فكر في تجميد الطبقات المبكرة أو استخدام التضمينات المجمدة لمجموعات البيانات التي تحتوي على أقل من 1,000 عينة.
كيف يقارن TorchDrug بـ RDKit؟
توفر RDKit أدوات المعلوماتية الكيميائية (تحليل SMILES، القواعد الكيميائية). يركز TorchDrug على التعلم الآلي - تدريب الشبكات العصبية للتنبؤ بالخصائص وتوليد الجزيئات باستخدام التمثيلات البيانية.