torchdrug
Применить TorchDrug для разработки лекарств с помощью графовых нейронных сетей
也可从以下获取: davila7
Создавайте и обучайте графовые нейронные сети для разработки лекарств, моделирования белков и прогнозирования молекулярных свойств. Этот навык предоставляет исчерпывающую документацию по библиотеке TorchDrug, включая наборы данных, архитектуры моделей и рабочие процессы.
下载技能 ZIP
在 Claude 中上传
前往 设置 → 功能 → 技能 → 上传技能
开启并开始使用
测试它
正在使用“torchdrug”。 How do I train a model to predict HIV inhibition?
预期结果:
- 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
正在使用“torchdrug”。 What datasets are available for protein function prediction?
预期结果:
- 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
正在使用“torchdrug”。 How can I generate new drug-like molecules?
预期结果:
- 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
安全审计
安全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.
风险因素
⚡ 包含脚本 (1)
⚙️ 外部命令 (9)
🌐 网络访问 (2)
质量评分
你能构建什么
Прогнозирование молекулярных свойств
Прогнозируйте растворимость, токсичность и сродство связывания с использованием архитектур ГНС, таких как GIN и GAT
Моделирование структур белков
Анализируйте последовательности и структуры белков с помощью моделей ESM и GearNet для прогнозирования функции
Планирование путей синтеза
Используйте планирование ретросинтеза для разработки путей химического синтеза целевых молекул
试试这些提示
Как установить TorchDrug и запустить базовый пример для прогнозирования молекулярных свойств?
Какой набор данных TorchDrug следует использовать для обучения модели прогнозирования проницаемости через гематоэнцефалический барьер?
В чём различия между моделями GIN, GAT и SchNet в TorchDrug и когда следует использовать каждую из них?
Как интегрировать TorchDrug с PyTorch Lightning для распределённого обучения крупномасштабных молекулярных моделей?
最佳实践
- Используйте разделение по скаффолдам для молекулярных наборов данных, чтобы избежать утечки данных
- Начните с небольших наборов данных, таких как BACE или ESOL, прежде чем переходить к более крупным
- Объединяйте прогнозирование свойств с генеративными моделями для многокритериальной оптимизации
避免
- Не используйте случайное разделение для прогнозирования молекулярных свойств — разделение по скаффолдам более реалистично
- Избегайте обучения без надлежащих метрик валидации, таких как AUROC и AUPRC, для несбалансированных наборов данных
- Не пропускайте проверку RDKit при генерации новых молекул