Fähigkeiten deepchem
🧪

deepchem

Sicher ⚡ Enthält Skripte📁 Dateisystemzugriff🌐 Netzwerkzugriff

機械学習を化学と創薬に適用する

Auch verfügbar von: davila7

DeepChemを使用して、溶解性、毒性、結合親和性などの分子特性を予測します。グラフニューラルネットワークを訓練するか、ChemBERTaなどの事前学習済みモデルを使用して、創薬や材料科学のアプリケーションに活用します。

Unterstützt: Claude Codex Code(CC)
🥉 75 Bronze
1

Die Skill-ZIP herunterladen

2

In Claude hochladen

Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen

3

Einschalten und loslegen

Teste es

Verwendung von "deepchem". これらの分子の溶解性を予測してください: 'CCO', 'CC(=O)O', 'c1ccccc1'

Erwartetes Ergebnis:

  • 溶解性予測（log mol/L）:
  • • エタノール（CCO）: -0.92
  • • 酢酸（CC(=O)O）: -0.45
  • • ベンゼン（c1ccccc1）: -1.69
  • 注意: 値が低いほど水に対する溶解性が低いことを示します。

Sicherheitsaudit

Sicher
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
Gescannte Dateien
2,764
Analysierte Zeilen
3
befunde
4
Gesamtzahl Audits

Risikofaktoren

⚡ Enthält Skripte (3)
scripts/graph_neural_network.py:1-339 scripts/predict_solubility.py:1-225 scripts/transfer_learning.py:1-376
📁 Dateisystemzugriff (3)
scripts/graph_neural_network.py:55-65 scripts/predict_solubility.py:45-55 scripts/transfer_learning.py:50-60
🌐 Netzwerkzugriff (1)
SKILL.md:245-255
Auditiert von: claude Audit-Verlauf anzeigen →

Qualitätsbewertung

64
Architektur
100
Wartbarkeit
83
Inhalt
20
Community
100
Sicherheit
87
Spezifikationskonformität

Was du bauen kannst

化合物ライブラリーのスクリーニング

大規模な化合物ライブラリーの溶解性と毒性を予測し、合成候補を優先順位付けします。

分子特性モデルの構築

グラフニューラルネットワークまたは従来のMLアルゴリズムを使用して、独自データセットでカスタムモデルを訓練します。

転移学習の適用

ChemBERTaなどの事前学習済み化学モデルを、ラベル付き例が限定された小規模データセットでファインチューニングします。

Probiere diese Prompts

分子データのロード 
DeepChemを使用して、'molecules.csv'にあるSMILES文字列を含むCSVファイルをロードし、CircularFingerprint特徴量化器と訓練済みモデルを使用して溶解性を予測します。
GNNモデルの訓練 
DeepChemを使用してTox21データセットでグラフ畳み込みネットワークを訓練し、12すべてのタスクで毒性を予測します。
転移学習 
HuggingFaceからChemBERTa事前学習済みモデルを使用し、'activity.csv'にある独自データセットでファインチューニングして結合親和性を予測します。
バッチ予測 
訓練済みのDeepChemモデルをロードし、新しいSMILES文字列のリスト「'CCO', 'CC(=O)O', 'c1ccccc1'」で予測を行います。信頼スコアを返します。

Bewährte Verfahren

  • 類似した分子からのデータ漏洩を防ぐため、分子データセットではランダム分割ではなくScaffoldSplitterを使用する
  • データセットサイズが10,000サンプル未満の場合は、事前学習済みモデルで転移学習を適用する
  • 過学習を防ぐため、小規模データセットではドロップアウトを高め（0.3-0.5）、よりシンプルなモデルを使用する

Vermeiden

  • 分子データでランダムなトレイン/テスト分割を使用する - 類似した構造からのデータ漏洩につながる
  • 1,000サンプル未満のデータセットで深いGNNを訓練する - 深刻な過学習のリスク
  • 毒性データセットのクラス不均衡を無視する - 訓練前にタスク分布を必ず確認する

Häufig gestellte Fragen

どの特徴量化器を使用すべきですか？
GNNにはMolGraphConvFeaturizer、伝統的なMLにはCircularFingerprint、解釈可能なモデルにはRDKitDescriptorsを使用します。
小規模なデータセットはどう対処すればよいですか？
ChemBERTaまたはGROVER事前学習済みモデルで転移学習を適用します。データ拡張とより強い正則化を使用します。
どの分割器を使用すべきですか？
構造的に類似した化合物が同じ分割に確実に含まれるように、分子データセットにはScaffoldSplitterを使用します。
自分のデータセットを使用できますか？
はい、一方の列にSMILES文字列、もう一方の列に目標値を含むCSVを提供します。カスタム列名でCSVLoaderを使用します。
どのような事前学習済みモデルが利用可能ですか？
ChemBERTa、GROVER、MolFormerが統合されています。ドメイン固有の分子表現のためにHuggingFaceからロードします。
モデルのパフォーマンスを改善するにはどうすればよいですか？
異なる特徴量化器を試す、訓練エポックを増やす、AttentiveFPのようなより大きなモデルを使用する、または事前学習済みモデルから転移学習を適用します。

Entwicklerdetails

Lizenz

MIT license

Repository

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

Ref

main

Dateistruktur

📁 references/

📄 api_reference.md

📄 workflows.md

📁 scripts/

📄 graph_neural_network.py

📄 predict_solubility.py

📄 transfer_learning.py

📄 evaluation.json

📄 SKILL.md