分子机器学习需要将化学结构转换为数值表示。Molfeat 提供 100+ 种特征化器，将 SMILES 字符串转换为适用于 QSAR 建模和药物发现的机器学习特征。
下載技能 ZIP
在 Claude 中上傳
前往 設定 → 功能 → 技能 → 上傳技能
開啟並開始使用
測試它
正在使用「molfeat」。 Convert aspirin (CC(=O)OC1=CC=CC=C1C(=O)O) to ECFP fingerprint
預期結果:
- 生成半径为 3、2048 位的 ECFP 指纹
- 非零位：激活了 45 个特征
- 位密度：2.2%（稀疏表示）
- 形状：(2048,) numpy array
- 可用于机器学习模型
正在使用「molfeat」。 Compare ECFP, MACCS, and RDKit descriptors for caffeine
預期結果:
- ECFP4：2048 位向量，含 52 个非零特征
- MACCS：167 位结构键，28 个为真位
- RDKit2D：200+ 个描述符值，包括 LogP=0.43、TPSA=61.1
- 组合特征：2415 维向量
安全審計
安全The molfeat skill is a legitimate cheminformatics library for molecular feature extraction. All 397 static findings are false positives triggered by scientific terminology in documentation. The scanner misinterpreted markdown code fences as shell commands, chemistry terminology (ecfp, maccs, gin, c2) as security threats, and documentation URLs as network indicators.
風險因素
品質評分
你能建構什麼
为药物属性构建 QSAR 模型
使用分子指纹和描述符训练机器学习模型，以预测 ADME 属性、毒性或生物活性
化合物库的虚拟筛选
将数百万个分子转换为特征，用于相似性搜索和针对生物靶点的活性预测
化学空间分析与聚类
生成分子嵌入以可视化并聚类化学库，用于多样性分析
試試這些提示
Use molfeat to convert these SMILES to ECFP fingerprints: CCO, CC(=O)O, c1ccccc1. Show the code and output shape.
Load a dataset of 100 molecules and extract RDKit 2D descriptors using molfeat with parallel processing.
Use ChemBERTa to generate embeddings for drug-like molecules and visualize them with PCA.
Compare ECFP, MACCS, and ChemBERTa features for predicting molecular properties using random forest regression.
最佳實務
- 在多核系统上使用 n_jobs=-1 进行并行处理
- 缓存预训练模型嵌入以避免重复计算
- 对于大型数据集，使用 ignore_errors=True 处理无效分子
避免
- 在循环中逐个处理分子而非批处理
- 在指纹已足够的简单相似性搜索中使用深度学习模型
- 在处理大型化合物库时忽略错误处理