deepchem

用途：DeepChem 用于将机器学习应用于化学、材料科学与生物学，涵盖分子性质预测、药物发现、材料设计与生物分子分析。主要能力：提供 CSVLoader、SDFLoader、FASTALoader、ImageLoader、JsonLoader 等数据加载器；提供 CircularFingerprint、RDKitDescriptors、MolGraphConvFeaturizer、DMPNNFeaturizer、SmilesToSeq、CoulombMatrix 等特征化方法；提供 ScaffoldSplitter、ButinaSplitter、RandomSplitter 等划分器；支持 SklearnModel、MultitaskRegressor、GCNModel、GATModel、AttentiveFPModel、DMPNNModel、CGCNNModel、MEGNetModel 等模型；内置 MoleculeNet 基准数据集（如 load_tox21、load_bbbp、load_delaney、load_qm9、load_bandgap）；支持 ChemBERTa、GROVER、MolFormer 等预训练模型的迁移学习。使用方式：安装命令为 uv pip install deepchem，PyTorch 模型用 uv pip install deepchem[torch]，全部功能用 uv pip install deepchem[all]；典型流程为加载数据、特征化、划分（分子任务建议用 ScaffoldSplitter 防止数据泄漏）、训练、评估与预测。适用场景：ADMET、毒性、溶解度、结合亲和力等性质预测，以及晶体/材料性质与蛋白或 DNA 序列分析。限制：资料未提供收费、价格与具体性能数据；图神经网络通常更适合较大数据集，小数据集易过拟合，可考虑简化模型或迁移学习。