用途：DeepChem 是面向化学、材料科学与生物学的 Python 机器学习库，用于分子性质预测、药物发现、材料设计与生物分子分析，提供专用神经网络、分子特征化方法与预训练模型。
主要能力：1）数据加载与处理，含 CSVLoader、SDFLoader、FASTALoader、ImageLoader、JsonLoader，可读取 SMILES、SDF、蛋白/DNA 序列等。2）分子特征化，提供 CircularFingerprint、RDKitDescriptors、MordredDescriptors、MolGraphConvFeaturizer、DMPNNFeaturizer、GroverFeaturizer 等，覆盖传统 ML、深度学习、序列模型与 3D 结构。3）数据划分，包括 ScaffoldSplitter、ButinaSplitter、MaxMinSplitter、RandomSplitter、RandomStratifiedSplitter；药物发现任务推荐 ScaffoldSplitter 以防数据泄漏。4）模型训练，可用 SklearnModel、GBDTModel、MultitaskRegressor 及 GCNModel、GATModel、AttentiveFPModel、DMPNNModel 等 GNN。5）MoleculeNet 基准，提供 30+ 数据集及标准划分，如 load_tox21、load_bbbp、load_delaney、load_qm7、load_bandgap。6）迁移学习，支持 ChemBERTa、GROVER、MolFormer 等预训练模型微调，适合小数据集。7）评估与预测，提供 roc_auc_score、r2_score 等指标与 predict 接口。
使用方式：安装命令为 pip install deepchem；PyTorch 模型用 pip install deepchem[torch]；全部功能用 pip install deepchem[all]。典型流程为加载数据、特征化、划分、训练、评估。附带脚本 predict_solubility.py、graph_neural_network.py、transfer_learning.py 可命令行运行。
适用场景：分子性质预测（溶解度、毒性、结合亲和力、ADMET）、MoleculeNet 基准评测、图神经网络建模、预训练模型迁移学习、晶体/材料性质预测、蛋白或 DNA 序列分析。
限制：资料未提供具体收费、价格、平台与效果数据；使用 GNN 通常需较大数据集，小数据集可能不及指纹方法；需注意依赖安装与数据泄漏问题。