deepchem

用途

DeepChem 是一个面向化学、材料科学与生物学的综合 Python 机器学习库，用于分子性质预测、药物发现、材料设计和生物分子分析。该技能适用于：加载与处理分子数据（SMILES 字符串、SDF 文件、蛋白质序列）、预测分子性质（溶解度、毒性、结合亲和力、ADMET 性质）、在化学/生物数据集上训练模型、使用 MoleculeNet 基准数据集（Tox21、BBBP、Delaney 等）、将分子转换为机器学习特征（指纹、图表示、描述符）、实现分子图神经网络（GCN、GAT、MPNN、AttentiveFP）、使用预训练模型进行迁移学习（ChemBERTa、GROVER、MolFormer）、预测晶体/材料性质（带隙、形成能）以及分析蛋白质或 DNA 序列。

主要能力

分子数据加载与处理

提供多种专用加载器：CSVLoader（带分子标识的表格数据）、SDFLoader（分子结构文件）、FASTALoader（蛋白质/DNA 序列）、ImageLoader（分子图像）、JsonLoader（JSON 格式数据集）。示例：

import deepchem as dc
featurizer = dc.feat.CircularFingerprint(radius=2, size=2048)
loader = dc.data.CSVLoader(
    tasks=['solubility', 'toxicity'],
    feature_field='smiles',
    featurizer=featurizer
)
dataset = loader.create_dataset('molecules.csv')

分子特征化

将分子转换为数值表示。选择指南：传统机器学习使用 CircularFingerprint（ECFP）、RDKitDescriptors（可解释）或 MordredDescriptors（最大覆盖）；图神经网络使用 MolGraphConvFeaturizer、DMPNNFeaturizer，预训练模型使用 GroverFeaturizer；序列模型使用 SmilesToSeq；3D 结构分析使用 CoulombMatrix。数据集规模建议：小于 1K 用 CircularFingerprint 或 RDKitDescriptors；1K-100K 用 CircularFingerprint 或图特征化器；大于 100K 用图特征化器；迁移学习用预训练模型特征化器。

fp = dc.feat.CircularFingerprint(radius=2, size=2048)
features = fp.featurize(['CCO', 'c1ccccc1'])

数据划分

药物发现任务的关键是使用 ScaffoldSplitter 防止相似分子结构同时出现在训练集和测试集造成数据泄漏。可用划分器包括：ScaffoldSplitter、ButinaSplitter、MaxMinSplitter、RandomSplitter、RandomStratifiedSplitter。

splitter = dc.splits.ScaffoldSplitter()
train, valid, test = splitter.train_valid_test_split(dataset, frac_train=0.8, frac_valid=0.1, frac_test=0.1)

模型选择与训练

模型选择指南：小于 1K 样本用 SklearnModel（RandomForest）+ CircularFingerprint；1K-100K（分类/回归）用 GBDTModel 或 MultitaskRegressor + CircularFingerprint；大于 100K（分子性质）用 GCNModel、AttentiveFPModel、DMPNNModel + MolGraphConvFeaturizer；迁移学习用 ChemBERTa、GROVER、MolFormer；晶体结构（材料性质）用 CGCNNModel、MEGNetModel；蛋白质序列（蛋白质性质）用 ProtBERT。示例：

model = dc.models.GCNModel(n_tasks=1, mode='regression', batch_size=128, learning_rate=0.001)
model.fit(train, nb_epoch=50)

MoleculeNet 基准

提供 30 余个标准化训练/验证/测试划分的基准数据集：分类（load_tox21、load_bbbp、load_hiv、load_clintox）、回归（load_delaney、load_freesolv、load_lipo）、量子性质（load_qm7、load_qm8、load_qm9）、材料（load_perovskite、load_bandgap、load_mp_formation_energy）。

tasks, datasets, transformers = dc.molnet.load_tox21(featurizer='GraphConv', splitter='scaffold', reload=False)
train, valid, test = datasets

迁移学习

利用预训练模型提升性能，尤其适合小数据集。示例：

model = dc.models.HuggingFaceModel(
    model='seyonec/ChemBERTa-zinc-base-v1',
    task='classification', n_tasks=1, learning_rate=2e-5
)
model.fit(train, nb_epoch=10)

适用场景：小数据集（<1000 样本）、新颖分子骨架、有限计算资源、快速原型开发。

模型评估与预测

支持分类指标（ROC-AUC、Accuracy、F1）与回归指标（R²、MAE、RMSE）：

metric = dc.metrics.Metric(dc.metrics.roc_auc_score)
test_score = model.evaluate(test, [metric])
predictions = model.predict(test)

使用方式

安装命令：

uv pip install deepchem
# PyTorch 模型（GCN、GAT 等）
uv pip install deepchem[torch]
# 所有功能
uv pip install deepchem[all]

技能包含三个生产就绪脚本：

predict_solubility.py：训练和评估溶解度预测模型，支持 Delaney 基准或自定义 CSV 数据，示例：python scripts/predict_solubility.py --data my_data.csv --smiles-col smiles --target-col solubility --predict "CCO" "c1ccccc1"
graph_neural_network.py：训练多种图神经网络架构，示例：python scripts/graph_neural_network.py --model gcn --dataset tox21
transfer_learning.py：微调预训练模型（ChemBERTa、GROVER），示例：python scripts/transfer_learning.py --model chemberta --dataset bbbp

参考文档：references/api_reference.md（完整 API 文档、数据加载器、数据集类、特征化器目录、50+ 模型目录、MoleculeNet 数据集描述、指标与评估函数）、references/workflows.md（八个端到端工作流，涵盖分子性质预测、基准使用、超参数优化、迁移学习、GAN 分子生成、材料性质预测、蛋白质序列分析、自定义模型集成）。

最佳实践

分子数据始终使用 ScaffoldSplitter 防止数据泄漏。
归一化特征与目标值：

transformers = [dc.trans.NormalizationTransformer(transform_y=True, dataset=train)]

从简到繁：先随机森林 + CircularFingerprint 快速基线，再 XGBoost/LightGBM，样本 >5K 用深度学习，样本 >10K 用 GNN，小数据集或新骨架用迁移学习。
处理不平衡数据：使用 BalancingTransformer 或 balanced_accuracy_score。
避免内存问题：大数据集用 DiskDataset，减小 batch size。

常见陷阱

数据泄漏：使用随机划分导致训练/测试集相似分子，应使用 ScaffoldSplitter。
GNN 表现不及指纹：确保数据集足够大（通常 >10K）、增加训练轮数（50-100）、尝试不同架构（AttentiveFP、DMPNN）、使用预训练模型（GROVER）。
小数据集过拟合：增强正则化（dropout 调至 0.5）、使用更简单模型、迁移学习或收集更多数据。
导入错误：确保安装所需依赖，PyTorch 模型需安装 deepchem[torch]。