AIKraft/Skills/torchdrug

torchdrug

Создаёт и отлаживает рабочие процессы TorchDrug 0.2.1 для молекулярных графов, предсказания свойств, генерации молекул и обучения представлений. Применяйте, если код импортирует torchdrug или использует его датасеты, модели, задачи или Engine.

KDK-Dense official Разработка ★ 47.7k

Что делает навык

Навык обеспечивает создание и отладку рабочих процессов TorchDrug 0.2.1 для работы с молекулярными графами, предсказания свойств, генерации молекул и обучения представлений. Он применяется, когда код импортирует torchdrug или использует его датасеты, модели, задачи или Engine.

Когда применять

  • Предсказание свойств молекул с использованием датасетов (например, ClinTox) и моделей GIN.
  • Самообучение представлений молекул методами InfoGraph или AttributeMasking.
  • Генерация новых молекул с помощью алгоритмов GCPN или GraphAF.
  • Ретросинтетический анализ с использованием задач CenterIdentification и SynthonCompletion.

Как работает

  1. Проверить версию Python, PyTorch и TorchDrug, убедившись, что они соответствуют поддерживаемой матрице (Python 3.7–3.10, PyTorch 1.8–2.0).
  2. Установить пакет torchdrug==0.2.1 и совместимые зависимости (torch-scatter, torch-cluster, rdkit-pypi) в изолированной среде.
  3. Загрузить датасет (например, datasets.ClinTox) и разделить его на обучающую, валидационную и тестовую выборки.
  4. Выбрать модель (например, models.GIN), обернуть её в задачу (например, tasks.PropertyPrediction) и создать Engine.
  5. Запустить обучение и оценку модели через solver.train() и solver.evaluate(), соблюдая правила колляции графов.
  6. При необходимости применить предобученные веса, проверив префиксы ключей состояния модели для корректного переноса.

Примеры запросов агенту

Напиши код для предсказания токсичности на датасете ClinTox с использованием модели GIN и задачи PropertyPrediction.
Создай рабочий процесс для генерации молекул с оптимизацией QED с помощью GCPN.
Объясни, как правильно разделить датасеты USPTO50k для задач ретросинтеза и обучить модели CenterIdentification.

Что понадобится

  • Python 3.7–3.10 и PyTorch 1.8–2.0 (или совместимая сборка из исходников для Apple Silicon).
  • Пакеты torch-scatter и torch-cluster, собранные или установленные как бинарные колеса, соответствующие версии PyTorch и CUDA.
  • Пакет rdkit-pypi (не rdkit) и fair-esm для работы с молекулярными и белковыми данными.

Описание составлено по SKILL.md навыка, сверено 08.10.2026.

Как подключить

1Скачать навык
# возьмите папку навыка «torchdrug» 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 torchdrug/ ~/.claude/skills/torchdrug/

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