torchdrug
Graph-based drug discovery toolkit. Molecular property prediction (ADMET), protein modeling, knowledge graph reasoning, molecular generation, retrosynthesis, GNNs (GIN, GAT, SchNet), 40+ datasets, for PyTorch-based ML on molecules, proteins, and biomedical graphs.
Installation
Pick a client and clone the repository into its skills directory.
Installation
About this skill
Graph-based drug discovery toolkit. Molecular property prediction (ADMET), protein modeling, knowledge graph reasoning, molecular generation, retrosynthesis, GNNs (GIN, GAT, SchNet), 40+ datasets, for PyTorch-based ML on molecules, proteins, and biomedical graphs.
How to use
Zainstaluj TorchDrug za pomocą menedżera pakietów: uruchom
uv pip install torchdrugw terminalu. Jeśli potrzebujesz pełnego zestawu zależności, użyjuv pip install torchdrug[full].Przygotuj dane wejściowe — mogą to być łańcuchy SMILES reprezentujące molekuły, sekwencje białek, pliki PDB ze strukturami 3D lub dane z bazy wiedzy biomedycznej.
Załaduj gotowy zbiór danych z biblioteki TorchDrug (np. BBBP do przewidywania przechodzenia przez barierę krew-mózg) lub przygotuj własny zbiór. Podziel dane na zestawy treningowy, walidacyjny i testowy.
Wybierz architekturę sieci neuronowej na grafach — dostępne są modele takie jak GIN, GAT lub SchNet. Zdefiniuj model, określając wymiary wejściowe i parametry.
Zdefiniuj zadanie uczenia (przewidywanie właściwości, generowanie molekuł, planowanie syntezy) i skonfiguruj DataLoader do przetwarzania danych wsadami.
Wytrenuj model na swoim zbiorze danych, waliduj na zbiorze walidacyjnym i oceń wydajność na zbiorze testowym. Możesz integrować TorchDrug z PyTorch Lightning w celu uproszczenia pętli treningowej.