用途：TorchDrug 是构建在 PyTorch 之上的药物发现机器学习框架，面向计算化学与机器学习实践者，用于分子图表示学习及相关预测任务。
主要能力：以原子为节点、化学键为边构建分子图；提供 GIN、MPNN、GAT、RGCN、GraphSAGE、AttentiveFP 等 GNN 架构；内置 MoleculeNet 等基准数据集与预训练模型；支持分子性质预测（ADMET、活性）、药物-靶点相互作用（DTI）、逆合成预测、分子生成与 GNN 架构基准比较。
使用方式：需 Python 3.8+，安装 torchdrug、torch、torch-geometric、rdkit，建议使用 CUDA GPU。核心流程为：用 data.Molecule.from_smiles 构建分子图，选择 GNN 编码器，用 tasks.PropertyPrediction 或 tasks.InteractionPrediction 等任务封装，再通过 core.Engine 完成训练、验证与评估。
适用场景：小数据集迁移学习、多任务毒性预测、分子嵌入聚类、自定义 CSV 数据集训练等。
限制：若只需基于指纹的快速性质预测，宜用 RDKit + scikit-learn；蛋白质结构任务（折叠、对接）应使用 ESMFold 或 DiffDock。资料未提供收费、价格与平台信息。