Habilidades torchdrug
⚗️

torchdrug

Seguro ⚡ Contiene scripts⚙️ Comandos externos🌐 Acceso a red

Aplicar TorchDrug para descubrimiento de fármacos con GNNs

También disponible en: davila7

Construir y entrenar redes neuronales gráficas para descubrimiento de fármacos, modelado de proteínas y predicción de propiedades moleculares. Esta skill proporciona documentación completa para la biblioteca TorchDrug incluyendo conjuntos de datos, arquitecturas de modelos y flujos de trabajo.

Soporta: Claude Codex Code(CC)
📊 71 Adecuado
1

Descargar el ZIP de la skill

2

Subir en Claude

Ve a Configuración → Capacidades → Skills → Subir skill

3

Activa y empieza a usar

Pruébalo

Usando "torchdrug". How do I train a model to predict HIV inhibition?

Resultado esperado:

  • Load the HIV dataset from TorchDrug: datasets.HIV()
  • Use a GIN model for molecular graph representation
  • Create a PropertyPrediction task with binary classification
  • Train using BCE loss and evaluate with AUROC

Usando "torchdrug". What datasets are available for protein function prediction?

Resultado esperado:

  • EnzymeCommission for EC number classification across 7 levels
  • GeneOntology for GO term prediction (BP/MF/CC)
  • BetaLactamase for enzyme activity regression
  • Fluorescence for GFP protein intensity prediction

Usando "torchdrug". How can I generate new drug-like molecules?

Resultado esperado:

  • Use GCPN model for reinforcement learning-based generation
  • Apply GraphAutoregressiveFlow for conditional generation
  • Set property constraints like logP and synthesizability
  • Validate outputs with RDKit for chemical validity

Auditoría de seguridad

Seguro
v4 • 1/17/2026

All 335 static findings are FALSE POSITIVES. The skill contains only markdown documentation for TorchDrug, a legitimate PyTorch-based ML library for drug discovery. Security patterns detected are misidentified scientific terminology: PyTorch model methods (eval) flagged as code evaluation, markdown code block syntax (backticks) flagged as shell execution, ML loss functions (bce, mse) flagged as cryptographic algorithms, dataset names (SAMPL, ZINC, BindingDB) flagged as C2/SAM infrastructure. No executable code or security risks present.

10
Archivos escaneados
4,856
Líneas analizadas
3
hallazgos
4
Auditorías totales

Factores de riesgo

⚡ Contiene scripts (1)
references/core_concepts.md:346
⚙️ Comandos externos (9)
SKILL.md:45-443 references/core_concepts.md:26-558 references/datasets.md:168-272 references/models_architectures.md:26-432 references/molecular_property_prediction.md:42-122 references/protein_modeling.md:190-257 references/knowledge_graphs.md:130-164 references/molecular_generation.md:171 references/retrosynthesis.md:109
🌐 Acceso a red (2)
SKILL.md:430-431 skill-report.json:6
Auditado por: claude Ver historial de auditorías →

Puntuación de calidad

45
Arquitectura
100
Mantenibilidad
85
Contenido
21
Comunidad
100
Seguridad
91
Cumplimiento de la especificación

Lo que puedes crear

Predecir propiedades moleculares

Predecir solubilidad, toxicidad y afinidad de unión usando arquitecturas GNN como GIN y GAT

Modelar estructuras de proteínas

Analizar secuencias y estructuras de proteínas con modelos ESM y GearNet para predicción de función

Planificar rutas de síntesis

Usar planificación de retrosíntesis para diseñar rutas de síntesis química para moléculas objetivo

Prueba estos prompts

Primeros pasos 
How do I install TorchDrug and run a basic example for molecular property prediction?
Selección de conjunto de datos 
Which TorchDrug dataset should I use for training a model to predict blood-brain barrier penetration?
Arquitectura de modelo 
What are the differences between GIN, GAT, and SchNet models in TorchDrug and when should I use each?
Guía de integración 
How do I integrate TorchDrug with PyTorch Lightning for distributed training of large-scale molecular models?

Mejores prácticas

  • Usar divisiones por scaffold para conjuntos de datos moleculares para evitar fuga de datos
  • Comenzar con conjuntos de datos pequeños como BACE o ESOL antes de escalar a otros más grandes
  • Combinar predicción de propiedades con modelos generativos para optimización multiobjetivo

Evitar

  • No usar divisiones aleatorias para predicción de propiedades moleculares - las divisiones por scaffold son más realistas
  • Evitar entrenar sin métricas de validación apropiadas como AUROC y AUPRC para conjuntos de datos desbalanceados
  • No omitir la validación con RDKit al generar moléculas novedosas

Preguntas frecuentes

¿Qué hace diferente a TorchDrug de DeepChem?
TorchDrug se enfoca en implementaciones nativas de PyTorch y desarrollo de modelos personalizados, mientras que DeepChem enfatiza modelos pre-entrenados y featurizers diversos.
¿Cuáles son los mejores conjuntos de datos para principiantes?
Comienza con los conjuntos de datos BBBP, BACE o ESOL. Son pequeños, bien documentados y cubren tareas comunes de descubrimiento de fármacos.
¿Puede TorchDrug manejar datos de estructura de proteínas?
Sí, TorchDrug soporta archivos PDB de AlphaFold y embeddings ESM para modelado de secuencias y estructuras de proteínas.
¿Cómo genero moléculas nuevas similares a fármacos?
Usa modelos GCPN o GraphAutoregressiveFlow con restricciones de propiedades para generación guiada de moléculas.
¿Qué arquitecturas GNN están disponibles?
GIN, GAT, GCN, RGCN, SchNet, GearNet, TransE, RotatE y ComplEx para diferentes tipos de datos y tareas.
¿Esta skill ejecuta entrenamiento real de modelos?
No, esta skill proporciona documentación y guía de referencia. El entrenamiento real requiere instalar TorchDrug y ejecutar código Python.

Detalles del desarrollador

Licencia

Apache-2.0 license

Repositorio

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

Ref.

main

Estructura de archivos

📁 references/

📄 core_concepts.md

📄 datasets.md

📄 knowledge_graphs.md

📄 models_architectures.md

📄 molecular_generation.md

📄 molecular_property_prediction.md

📄 protein_modeling.md

📄 retrosynthesis.md

📄 SKILL.md