المهارات deepchem
🧪

deepchem

آمن ⚡ يحتوي على سكربتات📁 الوصول إلى نظام الملفات🌐 الوصول إلى الشبكة

تطبيق التعلم الآلي في الكيمياء واكتشاف الأدوية

متاح أيضًا من: davila7

توقع الخصائص الجزيئية مثل الذوبانية والسمية والألفة الرابطة باستخدام DeepChem. درب شبكات عصبية بيانية أو استخدم نماذج مدربة مسبقاً مثل ChemBERTa لاكتشاف الأدوية وتطبيقات علوم المواد.

يدعم: Claude Codex Code(CC)
🥉 76 برونزي
1

تنزيل ZIP المهارة

2

رفع في Claude

اذهب إلى Settings → Capabilities → Skills → Upload skill

3

فعّل وابدأ الاستخدام

اختبرها

استخدام "deepchem". توقع الذوبانية لهذه الجزيئات: 'CCO' و'CC(=O)O' و'c1ccccc1'

النتيجة المتوقعة:

  • توقعات الذوبان (log mol/L):
  • • إيثانول (CCO): -0.92
  • • حمض الأسيتيك (CC(=O)O): -0.45
  • • بنزين (c1ccccc1): -1.69
  • ملاحظة: القيم المنخفضة تشير إلى ذوبان مائي أقل.

التدقيق الأمني

آمن
v4 • 1/17/2026

This is a legitimate scientific computing skill for DeepChem molecular machine learning. All 237 static findings are false positives. The findings originate from markdown documentation code examples being incorrectly flagged as executable Ruby/shell commands. Common English words in chemistry documentation are matching C2 security patterns. The Python scripts use argparse for safe argument handling with no hardcoded secrets or dangerous operations.

8
الملفات التي تم فحصها
2,764
الأسطر التي تم تحليلها
3
النتائج
4
إجمالي عمليات التدقيق

عوامل الخطر

⚡ يحتوي على سكربتات (3)
scripts/graph_neural_network.py:1-339 scripts/predict_solubility.py:1-225 scripts/transfer_learning.py:1-376
📁 الوصول إلى نظام الملفات (3)
scripts/graph_neural_network.py:55-65 scripts/predict_solubility.py:45-55 scripts/transfer_learning.py:50-60
🌐 الوصول إلى الشبكة (1)
SKILL.md:245-255
تم تدقيقه بواسطة: claude عرض سجل التدقيق →

درجة الجودة

64
الهندسة المعمارية
100
قابلية الصيانة
83
المحتوى
30
المجتمع
100
الأمان
87
الامتثال للمواصفات

ماذا يمكنك بناءه

فحص مكتبات المركبات

توقع الذوبانية والسمية لمكتبات المركبات الكبيرة لترتيب المرشحين للتخليق.

بناء نماذج الخصائص الجزيئية

درب نماذج مخصصة على مجموعات البيانات المملوكة باستخدام الشبكات العصبية البيانية أو خوارزميات التعلم الآلي التقليدية.

تطبيق التعلم الانتقالي

ضبط النماذج المدربة مسبقاً مثل ChemBERTa على مجموعات بيانات صغيرة مع أمثلة مصنفة محدودة.

جرّب هذه الموجهات

تحميل البيانات الجزيئية 
استخدم DeepChem لتحميل ملف CSV مع سلاسل SMILES في 'molecules.csv' وتوقع الذوبانية باستخدام CircularFingerprint وmodel مدرب.
تدريب نموذج GNN 
درب شبكة التفافية بيانية (Graph Convolutional Network) على مجموعة بيانات Tox21 باستخدام DeepChem للتوقع عبر جميع المهام ال 12.
التعلم الانتقالي 
استخدم نموذج ChemBERTa المدرب مسبقاً من HuggingFace واضبطه على مجموعة البيانات المخصصة في 'activity.csv' للتوقعة الألفة الرابطة.
توقعات الدفعة 
حمّل نموذج DeepChem مدرباً وقم بالتوقعات على قائمة من سلاسل SMILES الجديدة: 'CCO' و'CC(=O)O' و'c1ccccc1'. أعد درجات الثقة.

أفضل الممارسات

  • استخدم ScaffoldSplitter بدلاً من التقسيم العشوائي للبيانات الجزيئية لمنع تسرب البيانات من الجزيئات المتشابهة
  • طبّق التعلم الانتقالي مع النماذج المدربة مسبقاً عندما يكون حجم مجموعة البيانات أقل من 10,000 عينة
  • زيادة التسرب (0.3-0.5) واستخدام نماذج أبسط لمجموعات البيانات الصغيرة لمنع الإفراط في التخصيص

تجنب

  • استخدام تقسيمات تدريب/اختبار عشوائية على البيانات الجزيئية - يؤدي إلى تسرب البيانات من البنى المتشابهة
  • تدريب شبكات GNN عميقة على مجموعات بيانات أصغر من 1,000 عينة - خطر الإفراط في التخصيص الشديد
  • تجاهل عدم التوازن في الفئات في مجموعات بيانات السموم - تحقق دائماً من توزيع المهمة قبل التدريب

الأسئلة المتكررة

ما المعير الذي يجب أن أستخدمه؟
استخدم MolGraphConvFeaturizer لـ GNNs، وCircularFingerprint للتعلم الآلي التقليدي، وRDKitDescriptors للنماذج القابلة للتفسير.
كيف أتعامل مع مجموعات البيانات الصغيرة؟
طبّق التعلم الانتقالي مع نماذج ChemBERTa أو GROVER المدربة مسبقاً. استخدم زيادة البيانات وتنظيم أقوى.
أي مقسم يجب أن أستخدمه؟
استخدم ScaffoldSplitter للبيانات الجزيئية لضمان بقاء المركبات المتشابهة هيكلياً في نفس التقسيم.
هل يمكنني استخدام مجموعتي الخاصة؟
نعم،وفر CSV مع سلاسل SMILES في عمود وقيم的目标 في عمود آخر. استخدم CSVLoader مع أسماء أعمدة مخصصة.
ما النماذج المدربة مسبقاً المتاحة؟
ChemBERTa وGROVER وMolFormer متكاملة. حمّل من HuggingFace للتمثيلات الجزيئية الخاصة بالمجال.
كيف أحسّن أداء النموذج؟
جرب معيرات مختلفة، وزيادة حقب التدريب، واستخدام نماذج أكبر مثل AttentiveFP، أو تطبيق التعلم الانتقالي من النماذج المدربة مسبقاً.

تفاصيل المطور

المؤلف

K-Dense-AI

الترخيص

MIT license

المستودع

https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/deepchem

مرجع

main

بنية الملفات

📁 references/

📄 api_reference.md

📄 workflows.md

📁 scripts/

📄 graph_neural_network.py

📄 predict_solubility.py

📄 transfer_learning.py

📄 evaluation.json

📄 SKILL.md