用途：用于分子性质预测、SMILES/图特征化、MoleculeNet 基准测试，以及显式配置的编码器迁移学习；在满足数据与模型契约时也覆盖材料与序列适配器。目标版本为 DeepChem 2.8.0（评审时的稳定 PyPI 版本），不要将最新文档与稳定安装混用。
主要能力与流程：先定义化合物身份、实验条件、目标单位与缺失标签，解析 SMILES 并记录被拒行，审计重复结构与重复测量后再划分数据。按模型契约匹配表示：指纹基线或 MultitaskRegressor 用显式 CircularFingerprint(size=2048)；Torch GCN/GAT 用 MolGraphConvFeaturizer()；AttentiveFP/MPNN 用 MolGraphConvFeaturizer(use_edges=True)；DMPNN 用 DMPNNFeaturizer()，二分类需 n_classes=2；GROVER 需 GroverFeaturizer 加匹配的编码器检查点与配置；HF 包装器需 SMILES 字符串、实际网络对象与分词器对象。注意 MoleculeNet 的 'ECFP' 别名为 1024 位，而指纹类默认 2048；'GraphConv' 是旧版 ConvMolFeaturizer，与 Torch GCN 不兼容；'Raw' 默认 RDKit Mol 对象，原始字符串需 DummyFeaturizer()。Torch MPNN/GROVER 从 deepchem.models.torch_models 导入。
使用方式：建议隔离的 Python 3.11 环境，核心栈示例：uv venv --python 3.11 .venv-deepchem；uv pip install --python .venv-deepchem/bin/python 'deepchem==2.8.0' 'torch==2.14.1' 'transformers==5.18.0' 'torch-geometric==2.8.0.post1'。脚本示例：python scripts/predict_solubility.py --epochs 50；python scripts/graph_neural_network.py --model dmpnn --dataset bbbp --epochs 20；python scripts/transfer_learning.py --model chemberta --dataset bbbp --epochs 10。
限制：上述为 CPU 冒烟检查版本，非 GPU 构建；GCN/GAT/AttentiveFP/Torch MPNN 还需相互兼容的 DGL 与 DGL-LifeSci，本次审计中不可用。稳定版提供 torch、tensorflow、jax、dqc 等 extras，但无 [all] extra，不保证所有现代平台/后端组合可解析或执行；TensorFlow、JAX 与量子化学路线仅经源码审查。HuggingFaceModel 返回 logits 且训练损失忽略样本权重，内置 HF 迁移脚本仅接受单一完整、无权重任务。脚本不导出划分 ID、被拒行表或预测文件，也不做自动早停或超参搜索。成功拟合不等于前瞻性科学性能。