建構和訓練用於藥物發現、蛋白質建模和分子性質預測的圖神經網路。此技能提供 TorchDrug 庫的完整文檔，包括資料集、模型架構和工作流程。
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「torchdrug」。 如何訓練一個預測 HIV 抑制的模型？
預期結果:
- 從 TorchDrug 載入 HIV 資料集：datasets.HIV()
- 使用 GIN 模型進行分子圖表示
- 建立具有二元分類的 PropertyPrediction 任務
- 使用 BCE 損失函數訓練並以 AUROC 評估
正在使用「torchdrug」。 有哪些可用於蛋白質功能預測的資料集？
預期結果:
- GeneOntology 用於 GO 術語預測（BP/MF/CC）
- EnzymeCommission 用於跨 7 個級別的 EC 號分類
- BetaLactamase 用於酶活性回歸
- Fluorescence 用於 GFP 蛋白質強度預測
正在使用「torchdrug」。 如何生成新的類藥分子？
預期結果:
- 使用 GCPN 模型進行基於強化學習的生成
- 應用 GraphAutoregressiveFlow 進行條件生成
- 設定 logP 和可合成性等性質約束
- 使用 RDKit 驗證輸出的化學有效性
安全審計
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.
風險因素
⚡ 包含腳本 (1)
⚙️ 外部命令 (9)
🌐 網路存取 (2)
品質評分
你能建構什麼
預測分子性質
使用 GIN 和 GAT 等 GNN 架構預測溶解度、毒性和結合親和力
建模蛋白質結構
使用 ESM 和 GearNet 模型分析蛋白質序列和結構以進行功能預測
規劃合成路線
使用逆合成規劃來設計目標分子的化學合成途徑
試試這些提示
如何安裝 TorchDrug 並執行分子性質預測的基本範例？
應該使用哪個 TorchDrug 資料集來訓練預測血腦屏障穿透性的模型？
TorchDrug 中的 GIN、GAT 和 SchNet 模型有什麼區別，應該在什麼情況下使用它們？
如何整合 TorchDrug 與 PyTorch Lightning 以進行大規模分子模型的分散式訓練？
最佳實務
- 對分子資料集使用支架分割以避免資料洩漏
- 在擴展到較大資料集之前，先使用 BACE 或 ESOL 等小型資料集
- 將性質預測與生成模型結合以進行多目標優化
避免
- 不要對分子性質預測使用隨機分割 - 支架分割更為真實
- 避免在沒有適當驗證指標（如 AUROC 和 AUPRC）的情況下訓練不平衡資料集
- 生成新分子時不要跳過 RDKit 驗證