构建和训练用于药物发现、蛋白质建模和分子性质预测的图神经网络。本技能提供 TorchDrug 库的完整文档，包括数据集、模型架构和工作流程。
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
预测分子性质
使用 GIN 和 GAT 等 GNN 架构预测溶解度、毒性和结合亲和力
建模蛋白质结构
使用 ESM 和 GearNet 模型分析蛋白质序列和结构以进行功能预测
规划合成路线
使用逆合成规划为目标分子设计化学合成途径
试试这些提示
How do I install TorchDrug and run a basic example for molecular property prediction?
Which TorchDrug dataset should I use for training a model to predict blood-brain barrier penetration?
What are the differences between GIN, GAT, and SchNet models in TorchDrug and when should I use each?
How do I integrate TorchDrug with PyTorch Lightning for distributed training of large-scale molecular models?
最佳实践
- 对分子数据集使用骨架分割以避免数据泄漏
- 在扩展到更大的数据集之前，先使用 BACE 或 ESOL 等小型数据集
- 将性质预测与生成模型结合进行多目标优化
避免
- 不要对分子性质预测使用随机分割 - 骨架分割更真实
- 避免在没有适当验证指标的情况下训练，对于不平衡数据集应使用 AUROC 和 AUPRC
- 生成新分子时不要跳过 RDKit 验证