Habilidades torchdrug
⚗️

torchdrug

Seguro ⚡ Contém scripts⚙️ Comandos externos🌐 Acesso à rede

Aplicar TorchDrug para descoberta de fármacos com GNNs

Também disponível em: 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.

Suporta: Claude Codex Code(CC)
📊 71 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 "torchdrug". How do I train a model to predict HIV inhibition?

Resultado esperado:

  • 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

A utilizar "torchdrug". What datasets are available for protein function prediction?

Resultado esperado:

  • 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

A utilizar "torchdrug". How can I generate new drug-like molecules?

Resultado esperado:

  • 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

Auditoria de Segurança

Seguro
v4 • 1/17/2026

All 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.

10
Arquivos analisados
4,856
Linhas analisadas
3
achados
4
Total de auditorias

Fatores de risco

⚡ Contém scripts (1)
references/core_concepts.md:346
⚙️ Comandos externos (9)
SKILL.md:45-443 references/core_concepts.md:26-558 references/datasets.md:168-272 references/models_architectures.md:26-432 references/molecular_property_prediction.md:42-122 references/protein_modeling.md:190-257 references/knowledge_graphs.md:130-164 references/molecular_generation.md:171 references/retrosynthesis.md:109
🌐 Acesso à rede (2)
SKILL.md:430-431 skill-report.json:6
Auditado por: claude Ver Histórico de Auditoria →

Pontuação de qualidade

45
Arquitetura
100
Manutenibilidade
85
Conteúdo
21
Comunidade
100
Segurança
91
Conformidade com especificações

O Que Você Pode Construir

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

Tente Estes Prompts

Começando 
Como instalo o TorchDrug e executo um exemplo básico de previsão de propriedades moleculares?
Seleção de conjunto de dados 
Qual conjunto de dados do TorchDrug devo usar para treinar um modelo para prever penetração na barreira hematoencefálica?
Arquitetura de modelo 
Quais são as diferenças entre os modelos GIN, GAT e SchNet no TorchDrug e quando devo usar cada um?
Guia de integração 
Como integro o TorchDrug com o PyTorch Lightning para treinamento distribuído de modelos moleculares em larga escala?

Melhores Práticas

  • 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

Evitar

  • 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

Perguntas Frequentes

O que torna o TorchDrug diferente do DeepChem?
TorchDrug foca em implementações nativas do PyTorch e desenvolvimento de modelos personalizados, enquanto o DeepChem enfatiza modelos pré-treinados e featurizadores diversos.
Quais conjuntos de dados são melhores para iniciantes?
Comece com os conjuntos de dados BBBP, BACE ou ESOL. Eles são pequenos, bem documentados e cobrem tarefas comuns de descoberta de fármacos.
O TorchDrug lida com dados de estrutura de proteínas?
Sim, o TorchDrug suporta arquivos PDB do AlphaFold e embeddings do ESM para modelagem de sequência e estrutura de proteínas.
Como posso gerar novas moléculas semelhantes a fármacos?
Use modelos GCPN ou GraphAutoregressiveFlow com restrições de propriedades para geração molecular guiada.
Quais arquiteturas de GNN estão disponíveis?
GIN, GAT, GCN, RGCN, SchNet, GearNet, TransE, RotatE e ComplEx para diferentes tipos de dados e tarefas.
Esta skill executa treinamento real de modelos?
Não, esta skill fornece documentação e orientação de referência. O treinamento real exige instalar o TorchDrug e executar código Python.

Detalhes do Desenvolvedor

Licença

Apache-2.0 license

Repositório

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

Referência

main

Estrutura de arquivos

📁 references/

📄 core_concepts.md

📄 datasets.md

📄 knowledge_graphs.md

📄 models_architectures.md

📄 molecular_generation.md

📄 molecular_property_prediction.md

📄 protein_modeling.md

📄 retrosynthesis.md

📄 SKILL.md