AIKraft/Skills/deepchem

deepchem

Создаёт рабочие процессы предсказания свойств молекул и MoleculeNet с помощью DeepChem: SMILES-фичеризация, графовые модели, перенос предобученных энкодеров. Применяется для ADMET, токсичности, растворимости и химического ML с научной валидацией.

KDK-Dense official Данные ★ 47.7k

Что делает навык

Навык реализует рабочие процессы предсказания свойств молекул с использованием DeepChem 2.8.0, включая SMILES-фичеризацию, графовые модели и перенос предобученных энкодеров. Он обеспечивает научную валидацию через строгие контракты данных, разделение на основе каркаса (scaffold splitting) и оценку на независимых выборках.

Когда применять

  • Предсказание ADMET-свойств, токсичности и растворимости молекул.
  • Выполнение бенчмарков MoleculeNet с использованием графовых нейронных сетей (GCN, GAT, MPNN).
  • Перенос предобученных моделей (например, GROVER, HuggingFace wrappers) для специфических задач.
  • Создание воспроизводимых рабочих процессов с фиксацией идентификаторов разделения и аудитом данных.

Как работает

  1. Определите идентичность соединения, условия анализа, целевые единицы и пропущенные метки; распарсите SMILES, задокументируйте отклоненные строки и проверьте дубликаты.
  2. Выберите представление (фingerprint, граф, DMPNN, GROVER) в соответствии с моделью и подберите числовой базовый уровень.
  3. Выберите стратегию разделения (scaffold, temporal или grouped), сохраните ID сплитов, проверьте перекрытие каркасов и поддержку классов.
  4. Настройте предобработку только на обучающих данных, сохраните маски dataset.w и нормализуйте непрерывные целевые переменные.
  5. Настройте параметры модели и эпохи по валидационным данным, оцените финальную контрольную выборку один раз и сообщите метрики по задачам.
  6. Выполните предсказание, используя обучающее представление и трансформации, сохранив идентификаторы, исходные единицы и пределы применимости.

Примеры запросов агенту

Проведи предсказание растворимости (ESOL) с использованием графовых нейронных сетей и разделения по каркасу.
Запусти обучение модели DMPNN на датасете BBBP с 20 эпохами и оцени метрики на тестовой выборке.
Выполни перенос обучения с использованием модели ChemBERTA для задачи бинарной классификации.

Что понадобится

  • Изолированная среда Python 3.11 с установленными deepchem==2.8.0, torch==2.14.1, transformers==5.18.0, torch-geometric==2.8.0.post1.
  • Для графовых моделей (GCN/GAT/AttentiveFP/Torch MPNN) требуются совместимые DGL и DGL-LifeSci.
  • Для GROVER необходим локальный чекпоинт компонента DeepChem и соответствующий JSON-архитектура.

Описание составлено по SKILL.md навыка, сверено 08.10.2026.

Как подключить

1Скачать навык
# возьмите папку навыка «deepchem» из репозитория: # https://github.com/k-dense-ai/scientific-agent-skills
2Положить папку с SKILL.md к навыкам ассистента
# положите папку навыка туда, где ассистент ищет skills: cp -r deepchem/ ~/.claude/skills/deepchem/

Навык — папка с файлом SKILL.md (описание + инструкции) и опциональными скриптами. Ассистент (Claude, Claude Code и совместимые) подхватывает его по описанию и следует шагам.