torchdrug
GNN을 활용한 TorchDrug 약물 발견 적용
Également disponible depuis: davila7
그래프 신경망을 활용한 약물 발견, 단백질 모델링, 및 분자 특성 예측을 위한 모델 구축 및 훈련. 이 기술은 TorchDrug 라이브러리에 대한 포괄적인 문서로 데이터셋, 모델 아키텍처 및 워크플로우를 제공합니다.
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". HIV 억제 예측 모델을 훈련하려면 어떻게 해야 합니까?
Résultat attendu:
- TorchDrug에서 HIV 데이터셋 로드: datasets.HIV()
- 분자 그래프 표현을 위해 GIN 모델 사용
- 이진 분류로 PropertyPrediction 태스크 생성
- BCE 손실로 훈련하고 AUROC로 평가
Utilisation de "torchdrug". 단백질 기능 예측에 사용할 수 있는 데이터셋은 무엇입니까?
Résultat attendu:
- 7개 수준에 걸친 EC 번호 분류를 위한 EnzymeCommission
- GO 용어 예측(BP/MF/CC)을 위한 GeneOntology
- 효소 활성 회귀를 위한 BetaLactamase
- GFP 단백질 강도 예측을 위한 Fluorescence
Utilisation de "torchdrug". 새로운 약물 유사 분자를 생성하려면 어떻게 해야 합니까?
Résultat attendu:
- 강화 학습 기반 생성을 위해 GCPN 모델 사용
- 조건부 생성을 위한 GraphAutoregressiveFlow 적용
- logP 및 합성 가능성과 같은 속성 제약 설정
- 화학적 유효성 검증을 위해 RDKit으로 출력값 확인
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
분자 특성 예측
GIN 및 GAT와 같은 GNN 아키텍처를 활용한 용해도, 독성, 결합 친화도 예측
단백질 구조 모델링
ESM 및 GearNet 모델을 활용한 단백질 서열 및 구조 분석으로 기능 예측
합성 경로 계획
재합성 계획을 활용한 목표 분자의 화학적 합성 경로 설계
Essayez ces prompts
TorchDrug를 설치하고 분자 특성 예측을 위한 기본 예제를 실행하려면 어떻게 해야 합니까?
혈액-뇌관문 침투 예측 모델을 훈련하려면 어떤 TorchDrug 데이터셋을 사용해야 합니까?
TorchDrug의 GIN, GAT, SchNet 모델의 차이점과 각각을 언제 사용해야 합니까?
대규모 분자 모델의 분산 훈련을 위해 TorchDrug를 PyTorch Lightning과 통합하려면 어떻게 해야 합니까?
Bonnes pratiques
- 데이터 유출을 방지하기 위해 분자 데이터셋에 스캐폴드 분할 사용
- BACE나 ESOL과 같은 작은 데이터셋으로 시작하여 더 큰 규모로 확장하기 전에 익숙해지기
- 다중 목표 최적화를 위해 특성 예측과 생성 모델 결합
Éviter
- 분자 특성 예측에 무작위 분할 사용하지 않기 - 스캐폴드 분할이 더 현실적입니다.
- 불균형 데이터셋에 대해 AUROC 및 AUPRC와 같은 적절한 검증 지표 없이 훈련하지 않기.
- 새로운 분자 생성 시 RDKit 검증 건너뛰지 않기