molfeat
Crear características moleculares para ML
Los proyectos de ML molecular necesitan características consistentes a partir de SMILES y moléculas de RDKit. Esta habilidad guía las decisiones sobre molfeat, la featurización por lotes, los embeddings preentrenados, el almacenamiento en caché y los flujos de trabajo QSAR.
Instalar con mi Agente
Copia esta solicitud en tu Agente. Incluye la página canónica del Skill y el manifiesto.
Review the Skillstore skill "molfeat" from https://skillstore.io/skills/k-dense-ai-molfeat.md and its manifest at https://skillstore.io/api/skills/k-dense-ai-molfeat/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.Tu Agente debe seguir mostrando su plan y solicitar cualquier confirmación exigida por la política de seguridad.
Recursos legibles por agentes
Usa estos enlaces cuando un agente de IA, crawler o script necesite contexto limpio en vez de leer la página completa.
Pruébalo
Usando "molfeat". Tengo 100,000 SMILES y necesito características para un modelo de propiedades.
Resultado esperado:
- Recomendó comenzar con ECFP por su velocidad y como una base sólida.
- Sugirió procesamiento por lotes en fragmentos con workers paralelos para controlar el uso de memoria.
- Describió pasos de validación para SMILES no válidos y configuraciones reproducibles del featurizador.
Usando "molfeat". Quiero comparar embeddings de ChemBERTa con descriptores clásicos.
Resultado esperado:
- Identificó diferencias de dependencias y tiempo de ejecución para embeddings preentrenados.
- Propuso un plan de comparación usando las mismas divisiones de entrenamiento y validación.
- Recomendó registrar conjuntamente las dimensiones de las características, el tiempo de ejecución y las métricas del modelo.
Usando "molfeat". Necesito un flujo de trabajo de búsqueda de similitud para una biblioteca de compuestos.
Resultado esperado:
- Recomendó ECFP o MAP4 según el tamaño de la biblioteca y los objetivos de similitud.
- Explicó cómo calcular de forma consistente las características de la consulta y de la biblioteca.
- Sugirió ordenar los compuestos principales después de la puntuación de similitud y la revisión.
Auditoría de seguridad
Riesgo medioMost static findings are false positives caused by Markdown code fences, inline API names, local cache examples, and documentation links. No prompt injection attempt, data exfiltration intent, or automatic command execution was found. The only semantic concern is unsafe pickle cache loading guidance without a trust warning.
Preocupaciones de seguridad confirmadas (1)
Factores de riesgo
📁 Acceso al sistema de archivos (2)
⚙️ Comandos externos (75)
🌐 Acceso a red (4)
Compartir y citar este informe
Comparte el informe de evaluación versionado, la insignia neutral, la tarjeta insertable y las citas. Skillstore presenta evidencias sin decidir si este Skill es seguro.
Copiar enlace del informe
https://skillstore.io/skills/k-dense-ai-molfeat/audits/7?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportInsignia Markdown
[](https://skillstore.io/skills/k-dense-ai-molfeat?utm_source=security_passport_badge)Insignia HTML
<a href="https://skillstore.io/skills/k-dense-ai-molfeat?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/k-dense-ai-molfeat/security.svg" alt="Skillstore security assessment" loading="lazy"></a>Tarjeta para insertar
<iframe src="https://skillstore.io/embed/skills/k-dense-ai-molfeat.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>Citas académicas (APA · BibTeX · CFF)
Cita APA
K-Dense-AI. (2026). molfeat security audit report (audit version 7) [Author version unspecified]. Skillstore. https://skillstore.io/skills/k-dense-ai-molfeat/audits/7Cita BibTeX
@techreport{k-dense-ai-k-dense-ai-molfeat-2026,
author = {K-Dense-AI},
title = {molfeat security audit report (audit version 7)},
institution = {Skillstore},
year = {2026},
number = {7},
url = {https://skillstore.io/skills/k-dense-ai-molfeat/audits/7},
note = {Author version unspecified}
}CITATION.cff
cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "molfeat security audit report (audit version 7)"
version: "unspecified"
type: report
authors:
- name: "K-Dense-AI"
date-released: "2026-07-05"
url: "https://skillstore.io/skills/k-dense-ai-molfeat/audits/7"
identifiers:
- type: other
value: "skillstore:k-dense-ai-molfeat:audit:7"
description: "Skillstore immutable audit report identifier"
Comparar variantes
2 variantes instalablesCada autor sigue siendo un skill instalable independiente. La variante recomendada se ordena según la evidencia de Skillstore.
Por qué esta variante es la primera
k-dense-ai-molfeat
2026-09-09
davila7-molfeat
2026-09-09
Puntuación de Skillstore
Por qué esta puntuación Confianza de la evidencia: AltoLo que puedes crear
Preparar características QSAR
Selecciona huellas o descriptores y crea entradas reproducibles para modelos de predicción de propiedades.
Crear pipelines de cribado
Convierte grandes bibliotecas de compuestos en características para clasificación, ordenamiento y selección de candidatos.
Comparar embeddings moleculares
Evalúa huellas tradicionales frente a embeddings preentrenados para similitud química y rendimiento del modelo.
Prueba estos prompts
Ayúdame a elegir un featurizador de molfeat para mi conjunto de datos SMILES y explícame las compensaciones para el modelado QSAR.
Diseña un flujo de trabajo de molfeat para una lista grande de SMILES con manejo de moléculas no válidas, procesamiento paralelo y configuraciones reproducibles.
Compara características ECFP, MACCS, descriptores de RDKit, Mordred y ChemBERTa para mi tarea de predicción molecular.
Crea un plan de cribado virtual usando características de molfeat, evaluación con scikit-learn, lógica de ranking y procesamiento por lotes cuidadoso con la memoria.
Mejores prácticas
- Comienza con huellas rápidas antes de probar embeddings preentrenados más grandes.
- Guarda la configuración del featurizador y las versiones de los paquetes para experimentos reproducibles.
- Usa procesamiento por fragmentos y procesamiento paralelo para grandes colecciones de moléculas.
Evitar
- No compares featurizadores usando diferentes divisiones de entrenamiento y validación.
- No ignores SMILES no válidos sin registrar qué moléculas fallaron.
- No uses cachés de modelos preentrenados de fuentes no confiables.
Preguntas frecuentes
¿Para qué se usa molfeat?
¿Puede funcionar con cadenas SMILES?
¿Incluye embeddings de aprendizaje profundo?
¿Puedo usarlo con scikit-learn?
¿La habilidad instala dependencias automáticamente?
¿Es seguro para flujos de trabajo de producción?
Detalles del desarrollador
Autor
K-Dense-AILicencia
Apache-2.0 license
Revisión de Skillstore
r1
Aviso de versión
El autor no declaró una versión.
Repositorio
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/molfeatRef.
a25199bc7d6b82598536822d1738eb5d5f54025b
Actualidad del mantenimiento
18/7/2026
Uso
5 descargas · 227 vistas
Estructura de archivos