用途：TorchDrug 是基于 PyTorch 的综合机器学习工具箱，面向药物发现与分子科学，将图神经网络、预训练模型与任务定义应用于分子、蛋白质和生物医学知识图谱，覆盖分子性质预测、蛋白质建模、知识图谱推理、分子生成与逆合成规划，附带 40+ 精选数据集和 20+ 模型架构。
主要能力：一、分子性质预测，从分子结构预测化学、物理和生物性质，适用于成药性、ADMET、毒性筛选、量子化学性质和结合亲和力预测。二、蛋白质建模，处理序列、结构和性质，覆盖酶功能、稳定性、溶解性、亚细胞定位、蛋白互作与结构预测。三、知识图谱推理，预测生物医学知识图谱中的缺失链接与关系，用于药物重定位和疾病机制发现。四、分子生成，按目标性质生成新结构，支持从头设计、先导化合物优化和化学空间探索。五、逆合成，从目标分子预测合成路线，含反应中心预测与反应物预测。六、模型库，提供 GCN、GAT、GIN、RGCN、MPNN、SchNet、GearNet、ESM、ProteinBERT、TransE、RotatE、ComplEx 等架构。七、数据集，覆盖分子性质、蛋白质性质、知识图谱和逆合成反应。
使用方式：安装可执行 pip install torchdrug，或安装含可选依赖的完整版 pip install torchdrug[full]；技能包要求 Python 3.10+，第三方包未明确版本锁定。典型流程为加载数据集、选择 GNN 模型、定义任务（如 PropertyPrediction、KnowledgeGraphCompletion）、用 PyTorch 优化器训练并评估。示例中分子性质预测使用 datasets.BBBP 与 models.GIN，配合 tasks.PropertyPrediction、AUROC 与 AUPRC 指标；蛋白质任务可使用 EnzymeCommission 数据集与 ESM 或 GearNet；知识图谱任务可使用 Hetionet 数据集与 RotatE 或 ComplEx。该技能本身为文档优先的指令式工作流，未提供打包可执行脚本，需按 SKILL.md 并配合 references/ 与 assets 执行，运行前应明确输入路径、输出路径、范围过滤、阈值与验收标准。
适用场景：数据涉及 SMILES 或分子结构、蛋白质序列或 PDB 结构、反应与逆合成、生物医学知识图谱、药物发现数据集时适用；常与 RDKit、PyTorch、PyTorch Lightning 配合。
限制：未提供独立图形界面或托管服务说明；第三方依赖版本、硬件要求、训练耗时与具体性能数据暂未提供；若需预训练模型与多样特征提取器或基准数据集，资料建议分别改用 deepchem 或 pytdc。