torchdrug
Appliquer TorchDrug pour la découverte de médicaments avec les RGG
Également disponible depuis: davila7
Construire et entraîner des réseaux de neurones graphiques pour la découverte de médicaments, la modélisation de protéines et la prédiction de propriétés moléculaires. Cette compétence fournit une documentation complète pour la bibliothèque TorchDrug, notamment des ensembles de données, des architectures de modèles et des flux de travail.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "torchdrug". Comment entraîner un modèle pour prédire l'inhibition du VIH ?
Résultat attendu:
- Charger l'ensemble de données VIH depuis TorchDrug : datasets.HIV()
- Utiliser un modèle GIN pour la représentation des graphes moléculaires
- Créer une tâche PropertyPrediction avec une classification binaire
- Entraîner avec la perte BCE et évaluer avec l'AUROC
Utilisation de "torchdrug". Quels ensembles de données sont disponibles pour la prédiction de fonction protéique ?
Résultat attendu:
- EnzymeCommission pour la classification des numéros EC sur 7 niveaux
- GeneOntology pour la prédiction des termes GO (BP/MF/CC)
- BetaLactamase pour la régression de l'activité enzymatique
- Fluorescence pour la prédiction de l'intensité des protéines GFP
Utilisation de "torchdrug". Comment générer de nouvelles molécules de type médicamenteux ?
Résultat attendu:
- Utiliser le modèle GCPN pour la génération basée sur l'apprentissage par renforcement
- Appliquer GraphAutoregressiveFlow pour la génération conditionnelle
- Définir des contraintes de propriétés comme le logP et la synthétisabilité
- Valider les sorties avec RDKit pour la validité chimique
Audit de sécurité
SûrAll 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.
Facteurs de risque
⚡ Contient des scripts (1)
⚙️ Commandes externes (9)
🌐 Accès réseau (2)
Score de qualité
Ce que vous pouvez construire
Prédire les propriétés moléculaires
Prédire la solubilité, la toxicité et l'affinité de liaison à l'aide d'architectures RGG comme GIN et GAT
Modéliser les structures protéiques
Analyser les séquences et structures protéiques avec les modèles ESM et GearNet pour la prédiction de fonction
Planifier les voies de synthèse
Utiliser la planification de rétrosynthèse pour concevoir des voies de synthèse chimique pour des molécules cibles
Essayez ces prompts
Comment installer TorchDrug et exécuter un exemple de base pour la prédiction de propriétés moléculaires ?
Quel ensemble de données TorchDrug dois-je utiliser pour entraîner un modèle à prédire la pénétration de la barrière hémato-encéphalique ?
Quelles sont les différences entre les modèles GIN, GAT et SchNet dans TorchDrug et quand dois-je utiliser chacun ?
Comment intégrer TorchDrug avec PyTorch Lightning pour l'entraînement distribué de modèles moléculaires à grande échelle ?
Bonnes pratiques
- Utiliser le découpage par squelette pour les ensembles de données moléculaires afin d'éviter les fuites de données
- Commencer par de petits ensembles de données comme BACE ou ESOL avant de passer à des ensembles plus grands
- Combiner la prédiction de propriétés avec des modèles génératifs pour une optimisation multi-objectif
Éviter
- Ne pas utiliser de découpage aléatoire pour la prédiction de propriétés moléculaires - les découpages par squelette sont plus réalistes
- Éviter l'entraînement sans métriques de validation appropriées comme l'AUROC et l'AUPRC pour les ensembles de données déséquilibrés
- Ne pas sauter la validation RDKit lors de la génération de nouvelles molécules