💊

pytdc

Name: pytdc
Author: K-Dense-AI

Безопасно ⚙️ Внешние команды🌐 Доступ к сети

Доступ к наборам данных для разработки лекарств с помощью PyTDC

Также доступно от: davila7

Исследователям в области разработки лекарств необходимы стандартизированные наборы данных для обучения моделей машинного обучения. PyTDC предоставляет курируемые наборы данных ADME, токсичности и взаимодействия лекарств-мишеней с надлежащими разбиениями на обучающую и тестовую выборки и оценочными оракулами.

Поддерживает: Claude Codex Code(CC)

🥉 76 Бронза

Скачать ZIP навыка

Загрузить в Claude

Перейдите в Settings → Capabilities → Skills → Upload skill

Включите и начните использовать

Протестировать

Использование «pytdc». Загрузите набор данных токсичности AMES и покажите мне формат данных

Ожидаемый результат:

Набор данных загружен с 7 255 соединениями для прогнозирования мутагенности
Столбцы включают Drug_ID, Drug (SMILES) и Y (бинарная метка токсичности)
Применено разбиение по скаффолду: 5 078 обучающих, 725 валидационных, 1 452 тестовых молекул

Использование «pytdc». Оцените эту молекулу с помощью оракула GSK3B: CC(C)Cc1ccc(cc1)C(C)C(O)=O

Ожидаемый результат:

Оценка связывания GSK3B: 0,0234 (низкий прогнозируемый аффинность)
Эта SMILES представляет ибупрофен, не ожидается ингибирование GSK3B
Оценки варьируются от 0 до 1, при этом более высокие значения указывают на более сильное прогнозируемое связывание

Аудит безопасности

Безопасно

v4 • 1/17/2026

This skill provides documentation and templates for PyTDC, a legitimate drug discovery dataset library. All 427 static findings are false positives caused by markdown code blocks containing Python examples (detected as shell backticks), scientific terminology (DRD2, GSK3B detected as C2 keywords), and molecular/cryptographic naming overlaps. No actual security risks present.

Просканировано файлов

3,184

Проанализировано строк

находки

Всего аудитов

Факторы риска

⚙️ Внешние команды (339)

🌐 Доступ к сети (15)

EVALUATION_OUTPUT.json:42 EVALUATION_OUTPUT.json:42 EVALUATION_OUTPUT.json:42 references/datasets.md:246 references/oracles.md:374 references/oracles.md:398 references/utilities.md:681 references/utilities.md:682 references/utilities.md:683 references/utilities.md:684 scripts/benchmark_evaluation.py:268 skill-report.json:6 SKILL.md:454 SKILL.md:455 SKILL.md:456

Проверено: claude Посмотреть историю аудитов →

Оценка качества

Архитектура

100

Сопровождаемость

Контент

Сообщество

100

Безопасность

Соответствие спецификации

Что вы можете построить

Обучение моделей прогнозирования ADME

Загрузите данные проницаемости Caco-2 с разбиением по скаффолду, обучите предикторы молекулярных свойств и оцените с использованием стандартных метрик.

Оценка предикторов токсичности

Получите доступ к наборам данных токсичности hERG, AMES и DILI с протоколами тестирования для проверки моделей прогнозирования безопасности.

Генерация новых кандидатных лекарств

Используйте молекулярные оракулы, такие как GSK3B и DRD2, для направления генеративных моделей к соединениям с желаемой биологической активностью.

Попробуйте эти промпты

Загрузка набора данных ADME

Помогите мне загрузить набор данных Caco2_Wang из TDC с разбиением по скаффолду для обучения предиктора кишечной проницаемости.

Запуск оценочного тестирования

Покажите мне, как оценить мою модель ADME с использованием группы тестирования TDC с требуемым 5-кратным протоколом.

Использование молекулярных оракулов

Я хочу оценить сгенерированные SMILES-строки с использованием оракулов TDC для свойств QED, SA и GSK3B. Покажите мне рабочий процесс.

Моделирование взаимодействия лекарство-мишень

Загрузите набор данных BindingDB_Kd с разбиением по холодным лекарствам, чтобы моя модель обобщалась на неизвестные лекарственные соединения.

Лучшие практики

Используйте разбиения по скаффолду вместо случайных для реалистичной оценки модели на новых химических скаффолдах
Запускайте оценочные тесты со всеми 5 требуемыми начальными значениями для отчета о среднем и стандартном отклонении производительности
Комбинируйте несколько оракулов с взвешенной оценкой для многокритериальной молекулярной оптимизации

Избегать

Избегайте случайных разбиений для производственных моделей ADME, поскольку они переоценивают производительность на похожих молекулах
Не сообщайте результаты тестирования с одним начальным значением, поскольку они могут не отражать истинную дисперсию модели
Не используйте оракулы как истинные метки для обучения, поскольку они сами являются предиктивными моделями

Часто задаваемые вопросы

Какие наборы данных доступны в PyTDC?

PyTDC включает более 60 наборов данных, охватывающих ADME, токсичность, взаимодействия лекарство-мишень, взаимодействия лекарство-лекарство и задачи молекулярной генерации для терапевтического ML.

Что такое разбиение по скаффолду и зачем его использовать?

Разбиения по скаффолду группируют молекулы по химическому скаффолду, поэтому тестовые молекулы имеют другую основную структуру, чем обучающие, что имитирует реальное обобщение.

Как работают молекулярные оракулы?

Оракулы — это предобученные модели, которые оценивают SMILES-строки по свойствам, таким как лекарственноподобие (QED), синтетическая доступность (SA) или связывание с мишенями (GSK3B, DRD2).

Что такое 5-кратный протокол для тестирования?

Тесты TDC требуют оценки с 5 различными начальными случайными значениями для вычисления среднего и стандартного отклонения, обеспечивая надежные сравнения производительности.

Можно ли использовать PyTDC с PyTorch Geometric или DGL?

Да, TDC предоставляет утилиты MolConvert для преобразования SMILES в графы PyG, графы DGL или другие молекулярные представления, такие как отпечатки ECFP.

Что такое разбиение с холодными лекарствами для прогнозирования DTI?

Разбиения с холодными лекарствами обеспечивают, что лекарства в тестовом наборе никогда не появляются в обучающем, измеряя, насколько хорошо модели прогнозируют связывание для совершенно новых лекарственных соединений.