Habilidades molfeat
🧪

molfeat

Seguro ⚙️ Comandos externos📁 Acesso ao sistema de arquivos🌐 Acesso à rede

Converter moléculas em recursos de ML

Também disponível em: davila7

O aprendizado de máquina molecular requer a conversão de estruturas químicas em representações numéricas. O Molfeat oferece mais de 100 featurizers para transformar strings SMILES em recursos prontos para aprendizado de máquina para modelagem QSAR e descoberta de medicamentos.

Suporta: Claude Codex Code(CC)
📊 70 Adequado
1

Baixar o ZIP da skill

2

Upload no Claude

Vá em Configurações → Capacidades → Skills → Upload skill

3

Ative e comece a usar

Testar

A utilizar "molfeat". Converter aspirina (CC(=O)OC1=CC=CC=C1C(=O)O) em fingerprint ECFP

Resultado esperado:

  • Gerado fingerprint ECFP com raio 3 e 2048 bits
  • Bits não nulos: 45 recursos ativados
  • Densidade de bits: 2.2% (representação esparsa)
  • Formato: array numpy (2048,)
  • Pronto para modelos de aprendizado de máquina

A utilizar "molfeat". Comparar ECFP, MACCS e descritores RDKit para cafeína

Resultado esperado:

  • ECFP4: vetor de 2048 bits com 52 características não nulas
  • MACCS: chaves estruturais de 167 bits com 28 bits verdadeiros
  • RDKit2D: mais de 200 valores de descritores incluindo LogP=0.43, TPSA=61.1
  • Recursos combinados: vetor de 2415 dimensões

Auditoria de Segurança

Seguro
v4 • 1/17/2026

The molfeat skill is a legitimate cheminformatics library for molecular feature extraction. All 397 static findings are false positives triggered by scientific terminology in documentation. The scanner misinterpreted markdown code fences as shell commands, chemistry terminology (ecfp, maccs, gin, c2) as security threats, and documentation URLs as network indicators.

5
Arquivos analisados
2,234
Linhas analisadas
3
achados
4
Total de auditorias

Fatores de risco

⚙️ Comandos externos (1)
SKILL.md:28-497
📁 Acesso ao sistema de arquivos (1)
SKILL.md:399-400
🌐 Acesso à rede (1)
SKILL.md:505-508
Auditado por: claude Ver Histórico de Auditoria →

Pontuação de qualidade

45
Arquitetura
100
Manutenibilidade
87
Conteúdo
21
Comunidade
100
Segurança
78
Conformidade com especificações

O Que Você Pode Construir

Construir modelos QSAR para propriedades de medicamentos

Usar fingerprints moleculares e descritores para treinar modelos de aprendizado de máquina previndo propriedades ADME, toxicidade ou bioatividade

Triagem virtual de bibliotecas de compostos

Converter milhões de moléculas em recursos para busca por similaridade e predição de atividade contra alvos biológicos

Análise e agrupamento de espaço químico

Gerar embeddings moleculares para visualizar e agrupar bibliotecas químicas para análise de diversidade

Tente Estes Prompts

Geração básica de fingerprints 
Use molfeat para converter estes SMILES em fingerprints ECFP: CCO, CC(=O)O, c1ccccc1. Mostre o código e o formato da saída.
Processamento em lote de descritores 
Carregue um conjunto de 100 moléculas e extraia descritores 2D do RDKit usando molfeat com processamento paralelo.
Embeddings de modelos pré-treinados 
Use ChemBERTa para gerar embeddings para moléculas do tipo droga e visualize-os com PCA.
Otimização de pipeline QSAR 
Compare recursos ECFP, MACCS e ChemBERTa para predizer propriedades moleculares usando regressão de random forest.

Melhores Práticas

  • Use n_jobs=-1 para processamento paralelo em sistemas multi-core
  • Cache embeddings de modelos pré-treinados para evitar recálculo
  • Manipule moléculas inválidas com ignore_errors=True para grandes conjuntos de dados

Evitar

  • Processar uma molécula de cada vez em loops em vez de processamento em lote
  • Usar modelos de aprendizado profundo para buscas de similarity simples onde fingerprints são suficientes
  • Ignorar tratamento de erros ao processar grandes bibliotecas de compostos

Perguntas Frequentes

Qual é a diferença entre calculadores e transformadores?
Calculadoras processam moléculas individuais enquanto transformadores lidam com lotes com paralelização e compatibilidade com scikit-learn.
Qual featurizer devo usar para modelagem QSAR?
Comece com fingerprints ECFP (raio 2-3, 1024-2048 bits) pois capturam padrões de conectividade molecular relevantes para bioatividade.
Como manipulo strings SMILES inválidas?
Defina ignore_errors=True em MoleculeTransformer para ignorar moléculas inválidas e continuar o processamento.
Posso combinar múltiplos featurizers?
Sim, use FeatConcat para combinar diferentes tipos de recursos como fingerprints e descritores em um único vetor.
Por que modelos pré-treinados são mais lentos que fingerprints?
Modelos de aprendizado profundo requerem inferência de redes neurais enquanto fingerprints usam algoritmos predefinidos, mas oferecem melhores capacidades de transfer learning.
Como salvo e reutilizo configurações de featurizers?
Use transformer.to_state_yaml_file() para salvar e MoleculeTransformer.from_state_yaml_file() para recarregar configurações.

Detalhes do Desenvolvedor

Licença

Apache-2.0 license

Repositório

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

Referência

main

Estrutura de arquivos

📁 references/

📄 api_reference.md

📄 available_featurizers.md

📄 examples.md

📄 SKILL.md