用途：TorchDrug 是面向药物发现与分子科学的 PyTorch 机器学习工具箱，用于在分子、蛋白质和生物知识图谱上应用图神经网络、预训练模型与任务定义。
主要能力：分子性质预测（溶解度、毒性、活性等 ADMET 与量子化学性质）；蛋白质建模（序列与 3D 结构、功能与相互作用预测）；知识图谱推理（药物重定位、基因-疾病关联）；分子生成（从头设计、先导优化）；逆合成规划（反应中心识别与合成子补全）；提供 GCN、GAT、GIN、RGCN、MPNN、SchNet、GearNet、ESM、ProteinBERT、TransE、RotatE、ComplEx 等模型，以及 40+ 数据集与 20+ 架构。
使用方式：TorchDrug 0.2.1 需 Python 3.7–3.10 与 PyTorch 1.8–2.0，先装 PyTorch 与 torch-scatter/torch-cluster： uv pip install torch uv pip install torch-scatter torch-cluster -f https://pytorch-geometric.com/whl/torch-2.0.0+cu118.html uv pip install torchdrug==0.2.1 Conda：conda install torchdrug -c milagraph -c conda-forge -c pytorch -c pyg。典型流程为加载数据集（如 datasets.BBBP）、定义 GNN 模型（如 models.GIN）、创建任务（如 tasks.PropertyPrediction）、用 PyTorch 优化器训练。可与 RDKit 互转分子、加载 AlphaFold PDB 结构、用 PyTorch Lightning 封装任务。
适用场景：药物发现中的性质与结合亲和力预测、蛋白质功能与结构建模、生物医学知识图谱补全、分子生成与逆合成路线规划。
限制：Apple Silicon 需从源码编译 scatter/cluster，且仅支持 CPU（无 MPS）；0.2.1 中 PropertyPrediction.predict() 返回原始尺度值，旧代码可能需调整指标与阈值；数据集构造器推荐 atom_feature/bond_feature/mol_feature，node_feature 等为弃用别名。官方文档 https://torchdrug.ai/docs/ ，GitHub https://github.com/DeepGraphLearning/torchdrug 。