molfeat
تحويل الجزيئات إلى سمات التعلم الآلي
متاح أيضًا من: davila7
يتطلب التعلم الآلي الجزيئي تحويل البنى الكيميائية إلى تمثيلات رقمية. يوفر Molfeat أكثر من 100 مُهيئ لتحويل سلاسل SMILES إلى سمات جاهزة للتعلم الآلي لنمذجة QSAR واكتشاف الأدوية.
تنزيل ZIP المهارة
رفع في Claude
اذهب إلى Settings → Capabilities → Skills → Upload skill
فعّل وابدأ الاستخدام
اختبرها
استخدام "molfeat". تحويل الأسبرين (CC(=O)OC1=CC=CC=C1C(=O)O) إلى بصمة ECFP
النتيجة المتوقعة:
- تم توليد بصمة ECFP بنصف قطر 3 و 2048 بت
- بتات غير صفرية: 45 سمة منشطة
- كثافة البتات: 2.2% (تمثيل متفرق)
- الشكل: مصفوفة numpy (2048,)
- جاهزة لنماذج التعلم الآلي
استخدام "molfeat". قارن بين ECFP و MACCS وأوصاف RDKit للكافيين
النتيجة المتوقعة:
- ECFP4: متجه 2048 بت مع 52 سمة غير صفرية
- MACCS: مفاتيح هيكلية 167 بت مع 28 بت صحيحة
- RDKit2D: أكثر من 200 قيمة وصف بما في ذلك LogP=0.43 و TPSA=61.1
- السمات المجمعة: متجه بأبعاد 2415
التدقيق الأمني
آمنThe molfeat skill is a legitimate cheminformatics library for molecular feature extraction. All 397 static findings are false positives triggered by scientific terminology in documentation. The scanner misinterpreted markdown code fences as shell commands, chemistry terminology (ecfp, maccs, gin, c2) as security threats, and documentation URLs as network indicators.
عوامل الخطر
⚙️ الأوامر الخارجية (1)
📁 الوصول إلى نظام الملفات (1)
🌐 الوصول إلى الشبكة (1)
درجة الجودة
ماذا يمكنك بناءه
بناء نماذج QSAR لخصائص الأدوية
استخدم البصمات الجزيئية والأوصاف لتدريب نماذج التعلم الآلي التي تتنبأ بخصائص ADME أو السمية أو النشاط البيولوجي
الفحص الافتراضي لمكتبات المركبات
حوّل ملايين الجزيئات إلى سمات للبحث بالتشابه والتنبؤ بالنشاط ضد الأهداف البيولوجية
تحليل الفضاء الكيميائي والتجميع
توليد تضمينات جزيئية لتصور مكتبات كيميائية وتجميعها لتحليل التنوع
جرّب هذه الموجهات
استخدم molfeat لتحويل هذه السلاسل SMILES إلى بصمات ECFP: CCO, CC(=O)O, c1ccccc1. اعرض الكود وشكل الناتج.
حمّل مجموعة بيانات من 100 جزيء واستخرج أوصاف RDKit 2D باستخدام molfeat مع المعالجة المتوازية.
استخدم ChemBERTa لتوليد تضمينات لجزيئات شبيهة بالأدوية وتصورها باستخدام PCA.
قارن بين سمات ECFP و MACCS و ChemBERTa للتنبؤ بالخصائص الجزيئية باستخدام انحدار الغابات العشوائية.
أفضل الممارسات
- استخدم n_jobs=-1 للمعالجة المتوازية على الأنظمة متعددة النوى
- احفظ تضمينات النموذج المدرب مسبقاً لتجنب إعادة الحساب
- تعامل مع الجزيئات غير الصالحة باستخدام ignore_errors=True للمجموعات الكبيرة
تجنب
- معالجة جزيء واحد في كل مرة في حلقات بدلاً من المعالجة الدفعية
- استخدام نماذج التعلم العميق للبحث البسيط بالتشناه حيث تكفي البصمات
- تجاهل معالجة الأخطاء عند معالجة مكتبات المركبات الكبيرة