torchdrug
Aplicar TorchDrug para descoberta de fármacos com GNNs
Également disponible depuis: davila7
Construa e treine redes neurais em grafos para descoberta de fármacos, modelagem de proteínas e previsão de propriedades moleculares. Esta skill fornece documentação abrangente da biblioteca TorchDrug, incluindo conjuntos de dados, arquiteturas de modelos e fluxos de trabalho.
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". How do I train a model to predict HIV inhibition?
Résultat attendu:
- Load the HIV dataset from TorchDrug: datasets.HIV()
- Use a GIN model for molecular graph representation
- Create a PropertyPrediction task with binary classification
- Train using BCE loss and evaluate with AUROC
Utilisation de "torchdrug". What datasets are available for protein function prediction?
Résultat attendu:
- EnzymeCommission for EC number classification across 7 levels
- GeneOntology for GO term prediction (BP/MF/CC)
- BetaLactamase for enzyme activity regression
- Fluorescence for GFP protein intensity prediction
Utilisation de "torchdrug". How can I generate new drug-like molecules?
Résultat attendu:
- Use GCPN model for reinforcement learning-based generation
- Apply GraphAutoregressiveFlow for conditional generation
- Set property constraints like logP and synthesizability
- Validate outputs with RDKit for chemical validity
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
Prever propriedades moleculares
Prever solubilidade, toxicidade e afinidade de ligação usando arquiteturas de GNN como GIN e GAT
Modelar estruturas de proteínas
Analisar sequências e estruturas de proteínas com modelos ESM e GearNet para previsão de função
Planejar rotas de síntese
Usar planejamento de retrossíntese para projetar vias de síntese química para moléculas-alvo
Essayez ces prompts
Como instalo o TorchDrug e executo um exemplo básico de previsão de propriedades moleculares?
Qual conjunto de dados do TorchDrug devo usar para treinar um modelo para prever penetração na barreira hematoencefálica?
Quais são as diferenças entre os modelos GIN, GAT e SchNet no TorchDrug e quando devo usar cada um?
Como integro o TorchDrug com o PyTorch Lightning para treinamento distribuído de modelos moleculares em larga escala?
Bonnes pratiques
- Use scaffold splitting for molecular datasets to avoid data leakage
- Start with small datasets like BACE or ESOL before scaling to larger ones
- Combine property prediction with generative models for multi-objective optimization
Éviter
- Do not use random splits for molecular property prediction - scaffold splits are more realistic
- Avoid training without proper validation metrics like AUROC and AUPRC for imbalanced datasets
- Do not skip RDKit validation when generating novel molecules