スキル deepchem
📦

deepchem

コンテンツリビジョン r1 安全 ⚙️ 外部コマンド🌐 ネットワークアクセス

DeepChemで分子MLワークフローを構築

分子機械学習では、多くの場合、専用の特徴量化器、データセット、評価手法が必要です。このスキルは、Claude、Codex、Claude Codeが物性予測、転移学習、ベンチマーク向けのDeepChemワークフローを設計するのを支援します。

対応: Claude Codex Code(CC)
🥉 79 ブロンズ

自分のエージェントでインストール

このリクエストをエージェントにコピーしてください。正規の Skill ページとマニフェストが含まれています。

エージェントリクエスト
Review the Skillstore skill "deepchem" from https://skillstore.io/skills/k-dense-ai-deepchem.md and its manifest at https://skillstore.io/api/skills/k-dense-ai-deepchem/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.

エージェントは引き続き計画を提示し、セキュリティポリシーで必要な確認を求める必要があります。

エージェントが読めるリソース

AI エージェント、クローラー、スクリプトがページ全体ではなく整理されたコンテキストを必要とする場合は、これらのリンクを使ってください。

Markdown詳細 GET /skills/k-dense-ai-deepchem.md 署名済み manifest GET /api/skills/k-dense-ai-deepchem/manifest 署名済み lockfile GET /api/skills/k-dense-ai-deepchem/lockfile

テストする

「deepchem」を使用しています。 SMILESと溶解度ラベルを持つ800個の分子があります。最初に何を試すべきですか？

期待される結果:

  • ベースラインとして、CircularFingerprintとシンプルな回帰モデルから始めてください。
  • ScaffoldSplitterを使用して、学習セットとテストセット間の化学的リークを減らしてください。
  • ベースラインが不安定な場合やラベルが疎な場合は、転移学習を検討してください。

「deepchem」を使用しています。 Tox21で毒性予測を評価する必要があります。

期待される結果:

  • グラフ特徴量とscaffold splittingを使用するMoleculeNet Tox21ローダーを使ってください。
  • Tox21には複数の毒性タスクがあるため、マルチタスク分類器を学習してください。
  • タスクごとのROC-AUCを報告し、評価メモに欠損ラベルの扱いを含めてください。

「deepchem」を使用しています。 グラフモデルでメモリが不足しています。

期待される結果:

  • モデルアーキテクチャを変更する前に、バッチサイズを小さくしてください。
  • 大きな特徴量配列には、ディスク backed datasetsを使用してください。
  • データセットとラベルが使用可能であることを確認するために、フィンガープリントのベースラインから始めてください。

セキュリティ監査

安全
v9 • 2026/7/9 バージョン別レポートを開く

All static findings were adjudicated as false positives after reviewing the cited files. The alerts come from Markdown code fences, DeepChem API names, ML validation terminology, argparse choices, and public documentation links rather than malicious behavior.

7
スキャンされたファイル
2,524
解析済み行数
0
レビュー項目
0
誤検知を無視

リスク要因

⚙️ 外部コマンド (50)
SKILL.md:34-53 SKILL.md:53-56 SKILL.md:56-57 SKILL.md:57-58 SKILL.md:58-59 SKILL.md:59-60 SKILL.md:60-68 SKILL.md:68-90 SKILL.md:90-94 SKILL.md:94-106 SKILL.md:106-114 SKILL.md:114-118 SKILL.md:118-120 SKILL.md:120-137 SKILL.md:137-140 SKILL.md:140-141 SKILL.md:141-142 SKILL.md:142-143 SKILL.md:143-144 SKILL.md:144-160 SKILL.md:160-167 SKILL.md:167-170 SKILL.md:170-180 SKILL.md:180-183 SKILL.md:183-200 SKILL.md:200-206 SKILL.md:206-221 SKILL.md:221-224 SKILL.md:224 SKILL.md:225 SKILL.md:226 SKILL.md:227 SKILL.md:229-235 SKILL.md:235-251 SKILL.md:251-259 SKILL.md:259-263 SKILL.md:263-280 SKILL.md:280-284 SKILL.md:284-298 SKILL.md:298-306 SKILL.md:306-324 SKILL.md:324-330 SKILL.md:330-367 SKILL.md:367-373 SKILL.md:373-401 SKILL.md:401-403 SKILL.md:403-407 SKILL.md:407-409 SKILL.md:409-412 SKILL.md:412-422
🌐 ネットワークアクセス (3)
SKILL.md:591 SKILL.md:592 SKILL.md:593
最新の完了済み静的・セマンティック監査では、確認済みのセキュリティ検出事項は見つかりませんでした。これは、スキルに副作用がないことを証明するものではありません。
監査者: claude 監査履歴を表示 →
このレポートを共有・引用

バージョン付き評価レポート、中立的なバッジ、埋め込みカード、引用を共有できます。Skillstore は証拠を報告しますが、この Skill が安全かどうかは判断しません。

バージョン別レポートを開く
セキュリティ評価

レポートリンクをコピー

https://skillstore.io/skills/k-dense-ai-deepchem/audits/9?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report

Markdownバッジ

[![Skillstore security assessment](https://skillstore.io/badges/skills/k-dense-ai-deepchem/security.svg)](https://skillstore.io/skills/k-dense-ai-deepchem?utm_source=security_passport_badge)

HTMLバッジ

<a href="https://skillstore.io/skills/k-dense-ai-deepchem?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/k-dense-ai-deepchem/security.svg" alt="Skillstore security assessment" loading="lazy"></a>

埋め込みカード

<iframe src="https://skillstore.io/embed/skills/k-dense-ai-deepchem.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>
学術引用 (APA · BibTeX · CFF)

APA形式の引用

K-Dense-AI. (2026). deepchem security audit report (audit version 9) [Author version unspecified]. Skillstore. https://skillstore.io/skills/k-dense-ai-deepchem/audits/9

BibTeX形式の引用

@techreport{k-dense-ai-k-dense-ai-deepchem-2026, author = {K-Dense-AI}, title = {deepchem security audit report (audit version 9)}, institution = {Skillstore}, year = {2026}, number = {9}, url = {https://skillstore.io/skills/k-dense-ai-deepchem/audits/9}, 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: "deepchem security audit report (audit version 9)" version: "unspecified" type: report authors: - name: "K-Dense-AI" date-released: "2026-07-09" url: "https://skillstore.io/skills/k-dense-ai-deepchem/audits/9" identifiers: - type: other value: "skillstore:k-dense-ai-deepchem:audit:9" description: "Skillstore immutable audit report identifier"

バリアントを比較

インストール可能なバリアント 2 件

各作者のスキルは個別のインストール項目として維持されます。推奨バリアントは Skillstore の証拠で順位付けされます。

このバリアントが首位の理由

Skillstore での利用が多い
K-Dense-AI 推奨 現在

k-dense-ai-deepchem

Skillstore スコア 79
証拠の信頼度 高
Skillstore 利用状況 11
更新済み

2026-09-09

davila7

davila7-deepchem

Skillstore スコア 79
証拠の信頼度 高
Skillstore 利用状況 7
更新済み

2026-09-09

Skillstore スコア

このスコアの理由 証拠の信頼度: 高
64
アーキテクチャ
85
保守性
87
コンテンツ
70
コミュニティ
78
仕様準拠

作成できるもの

創薬候補を優先順位付けする

コストの高い実験室スクリーニングの前に、溶解度、毒性、活性の傾向を推定する。

分子モデルをプロトタイプする

カスタム分子データセット上で、フィンガープリント、記述子、グラフニューラルネットワークを比較する。

化学MLワークフローを教える

特徴量化、scaffold splitting、指標、ベンチマーク評価を説明するガイド付き例を作成する。

これらのプロンプトを試す

特徴量化器を選ぶ 
SMILES文字列と1つの溶解度ターゲットを含むCSVファイルに対して、DeepChemの特徴量化器を選ぶのを手伝ってください。トレードオフを説明してください。
ベンチマークモデルを学習する 
Tox21上で、scaffold splittingとROC-AUC評価を使ってグラフ畳み込みモデルを学習するDeepChemワークフローを設計してください。
転移学習を使う 
事前学習済み分子モデルと適切な検証を使用して、小規模な結合親和性データセット向けの転移学習ワークフローを計画してください。
モデル戦略を比較する 
私のADMETデータセットに対して、CircularFingerprint、RDKitDescriptors、GCN、AttentiveFPを比較してください。実験計画と指標を推奨してください。

ベストプラクティス

  • 分子予測タスクでは、構造に基づくデータリークを減らすためにscaffold splittingを使用してください。
  • 深層グラフニューラルネットワークを学習する前に、シンプルなフィンガープリントのベースラインから始めてください。
  • 分類にはROC-AUC、回帰にはRMSEまたはR2など、タスクの種類に合わせて指標を選んでください。

回避

  • 類似したscaffoldが両方のセットに現れる可能性がある場合、創薬に関する主張にrandom splitsを使用しないでください。
  • 非常に小さなデータセットで、強力な正則化や転移学習なしに大規模なグラフニューラルネットワークを学習しないでください。
  • 外部検証なしに、予測された分子特性を実験的証拠として扱わないでください。

よくある質問

このスキルは何に最も適していますか？
分子物性予測、ベンチマーク、転移学習向けのDeepChemワークフローを計画し説明する用途に最適です。
DeepChemモデルを直接実行できますか？
コードやスクリプトを案内できますが、実行にはDeepChemとその依存関係がインストールされたローカル環境が必要です。
どの特徴量化器から始めるべきですか？
高速なベースラインとしてCircularFingerprintから始め、十分なデータがある場合にグラフ特徴量化器を試してください。
なぜscaffold splittingが推奨されるのですか？
Scaffold splittingは関連する分子構造をまとめて保持し、汎化性能をより現実的に見積もることができます。
事前学習済みモデルをサポートしていますか？
はい。ドキュメントでは、ChemBERTa、GROVER、MolFormerなどのモデル向けの転移学習パターンを扱っています。
これは実験室での検証の代替になりますか？
いいえ。このスキルは計算ワークフローの構築を支援しますが、結果は適切な科学的方法で検証する必要があります。

開発者情報

作成者

K-Dense-AI

ライセンス

MIT license

Skillstore リビジョン

r1

バージョンに関する注意

作者はバージョンを宣言していません。

リポジトリ

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

参照

1ffa7643651792ccb4bd3b15d924d2c97edff755

メンテナンスの新しさ

2026/7/25

利用状況

9 ダウンロード · 202 閲覧

ファイル構成

📁 references/

📄 api_reference.md

📄 workflows.md

📁 scripts/

📄 graph_neural_network.py

📄 predict_solubility.py

📄 transfer_learning.py

📄 evaluation.json

📄 SKILL.md

K-Dense-AI のその他のスキル

すべて表示

関連スキル

すべて表示