用途：DeepChem 是面向分子机器学习的开源 Python 框架，用于从 SMILES 预测分子性质（溶解度、毒性、结合亲和力）、在 MoleculeNet 标准数据集（BBBP、Tox21、ESOL、FreeSolv 等）上做基准评测、训练分子图神经网络、微调化学预训练语言模型、超参优化、虚拟筛选与命中优先级排序，以及基于晶体结构的材料性质预测。
主要能力：提供 60+ 模型架构与 50+ 特征化器。模型包括 MultitaskRegressor/Classifier、GraphConvModel、GATModel、AttentiveFPModel、MPNNModel、DMPNNModel、ChemBERTaModel、GROVERModel、CGCNNModel、MEGNetModel、ProteinLigandComplexModel 及 XGBoost/RandomForest 等。特征化器涵盖 CircularFingerprint（ECFP）、MACCSKeysFingerprint、RDKitDescriptors、Mol2VecFingerprint、ConvMolFeaturizer、MolGraphConvFeaturizer、WeaveFeaturizer、CoulombMatrix、SmilesTokenizer 等。
使用方式：安装命令为 pip install deepchem；按后端可选 pip install deepchem[torch]、pip install deepchem[tensorflow]、pip install deepchem[all]。核心流程为五步：加载数据（CSVLoader、SDFLoader 或 dc.molnet.load_*()）→ 特征化 → 划分（ScaffoldSplitter、RandomSplitter、ButinaSplitter 等）→ 训练（model.fit(train, nb_epoch=N)）→ 评估（model.evaluate(test, metrics)）。可用 NormalizationTransformer 归一化回归目标并 untransform() 还原；对新分子用相同特征化器 + NumpyDataset 预测，并可多模型集成取均值与标准差。
适用场景与限制：适合 QSAR 建模、MoleculeNet 基准对比、迁移学习（小数据量微调 ChemBERTa 等）、材料与蛋白-配体建模。图神经网络与 Transformer 建议使用 GPU，经典 ML 与指纹模型 CPU 即可；后端依赖 torch 或 tensorflow。仅需指纹化学信息学可改用 rdkit-cheminformatics，仅需特征化可改用 molfeat-molecular-featurization。药物发现场景建议使用 scaffold 划分以避免结构信息泄漏。具体收费、平台与效果数据暂未提供。