⚗️

torchdrug

Name: torchdrug
Author: K-Dense-AI

Безопасно ⚡ Содержит скрипты⚙️ Внешние команды🌐 Доступ к сети

Применить TorchDrug для разработки лекарств с помощью графовых нейронных сетей

Также доступно от: 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.

Поддерживает: Claude Codex Code(CC)

📊 71 Адекватно

Скачать ZIP навыка

Загрузить в Claude

Перейдите в Settings → Capabilities → Skills → Upload skill

Включите и начните использовать

Протестировать

Использование «torchdrug». How do I train a model to predict HIV inhibition?

Ожидаемый результат:

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

Использование «torchdrug». What datasets are available for protein function prediction?

Ожидаемый результат:

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

Использование «torchdrug». How can I generate new drug-like molecules?

Ожидаемый результат:

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

Аудит безопасности

Безопасно

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.

Просканировано файлов

4,856

Проанализировано строк

находки

Всего аудитов

Факторы риска

⚡ Содержит скрипты (1)

references/core_concepts.md:346

⚙️ Внешние команды (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

🌐 Доступ к сети (2)

SKILL.md:430-431 skill-report.json:6

Проверено: claude Посмотреть историю аудитов →

Оценка качества

Архитектура

100

Сопровождаемость

Контент

Сообщество

100

Безопасность

Соответствие спецификации

Что вы можете построить

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

Попробуйте эти промпты

Начало работы

Как установить TorchDrug и запустить базовый пример для прогнозирования молекулярных свойств?

Выбор набора данных

Какой набор данных TorchDrug следует использовать для обучения модели прогнозирования проницаемости через гематоэнцефалический барьер?

Архитектура модели

В чём различия между моделями GIN, GAT и SchNet в TorchDrug и когда следует использовать каждую из них?

Руководство по интеграции

Как интегрировать TorchDrug с PyTorch Lightning для распределённого обучения крупномасштабных молекулярных моделей?

Лучшие практики

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

Избегать

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

Часто задаваемые вопросы

Чем TorchDrug отличается от DeepChem?

TorchDrug фокусируется на реализациях, изначально совместимых с PyTorch, и разработке пользовательских моделей, в то время как DeepChem делает акцент на предобученных моделях и разнообразных методах представления признаков.

Какие наборы данных лучше всего подходят для начинающих?

Начните с наборов данных BBBP, BACE или ESOL. Они небольшие, хорошо документированные и охватывают типичные задачи разработки лекарств.

Может ли TorchDrug обрабатывать данные о структуре белков?

Да, TorchDrug поддерживает файлы PDB AlphaFold и вложения ESM для моделирования последовательностей и структур белков.

Как генерировать новые молекулы, похожие на лекарства?

Используйте модели GCPN или GraphAutoregressiveFlow с ограничениями свойств для направляемой генерации молекул.

Какие архитектуры ГНС доступны?

GIN, GAT, GCN, RGCN, SchNet, GearNet, TransE, RotatE и ComplEx для различных типов данных и задач.

Обучает ли этот навык реальные модели?

Нет, этот навык предоставляет документацию и справочные рекомендации. Для фактического обучения необходимо установить TorchDrug и запустить код Python.