用途：DeepChem 用于把机器学习应用于化学、材料科学与生物学，支持分子性质预测（溶解度、毒性、结合亲和力、ADMET）、药物发现、材料设计及生物分子分析。
主要能力：提供 CSVLoader、SDFLoader、FASTALoader、ImageLoader、JsonLoader 等数据加载器；提供 CircularFingerprint、RDKitDescriptors、MordredDescriptors、MolGraphConvFeaturizer、DMPNNFeaturizer、GroverFeaturizer、SmilesToSeq、CoulombMatrix 等特征化方法；提供 ScaffoldSplitter、ButinaSplitter、MaxMinSplitter、RandomSplitter 等数据划分；提供 SklearnModel、MultitaskRegressor、GCNModel、GATModel、AttentiveFPModel、DMPNNModel、CGCNNModel、MEGNetModel 等模型；支持 MoleculeNet 30 多个基准数据集（Tox21、BBBP、Delaney、QM7/8/9 等），并支持 ChemBERTa、GROVER、MolFormer 迁移学习。
使用方式：核心用法为加载数据、特征化、划分、训练与评估。分子数据集建议用 ScaffoldSplitter 防止数据泄漏；小数据集可先用随机森林加 CircularFingerprint，样本量大时再考虑图神经网络或迁移学习。安装基础包用 uv pip install deepchem；使用 GNN 或 HuggingFaceModel 等需安装对应扩展，如 uv pip install 'deepchem[torch]'、'deepchem[tensorflow]'、'deepchem[jax]'，GPU 场景需先装对应 CUDA 版本的框架。
适用场景：分子与材料性质预测、基准评测、蛋白或 DNA 序列分析、小数据集迁移学习、自定义 CSV 或 SDF 数据建模。
限制：示例针对 2.8.0 版，PyPI 需 Python 3.7–3.11；核心工具无需深度学习后端，但 GNN 与 transformer 模型依赖对应后端；小数据集上 GNN 可能不如指纹方法，需注意过拟合与类别不平衡；导入报错多因缺少后端，Conda+PyTorch 用户遇 iJIT_NotifyEvent 错误可将 MKL 固定到 2025 以下。其他细节资料未提供。