用途：DeepChem 是用于化学、材料科学与生物学的 Python 机器学习库，支持分子性质预测、药物发现、材料设计与生物分子分析。
主要能力：提供多种数据加载器（CSVLoader、SDFLoader、FASTALoader、ImageLoader、JsonLoader）处理 SMILES、SDF、蛋白序列等；提供多种特征化方法，如 CircularFingerprint、RDKitDescriptors、MolGraphConvFeaturizer、DMPNNFeaturizer、GroverFeaturizer、SmilesToSeq、CoulombMatrix；提供数据划分器（ScaffoldSplitter、ButinaSplitter、MaxMinSplitter、RandomSplitter、RandomStratifiedSplitter）；内置 50+ 模型，涵盖 SklearnModel、GBDTModel、MultitaskRegressor、GCNModel、GATModel、AttentiveFPModel、DMPNNModel、CGCNNModel、MEGNetModel 等；支持 MoleculeNet 基准数据集（Tox21、BBBP、HIV、Delaney、QM7/8/9、Perovskite 等）；支持 ChemBERTa、GROVER、MolFormer 等预训练模型迁移学习；提供分类与回归指标评估。
使用方式：安装命令为 uv pip install deepchem，PyTorch 模型需 uv pip install deepchem[torch]，全部功能用 uv pip install deepchem[all]。典型流程为加载数据、特征化、划分数据集、训练模型、评估与预测。技能附带三个脚本：predict_solubility.py、graph_neural_network.py、transfer_learning.py。
适用场景：分子性质预测（溶解度、毒性、ADMET）、MoleculeNet 基准评测、图神经网络建模、小数据集迁移学习、晶体与材料性质预测、蛋白或 DNA 序列分析。
限制与注意：分子任务建议使用 ScaffoldSplitter 防止数据泄漏；小数据集易过拟合，可加强正则化或使用迁移学习；GNN 通常需要较大数据量；大数据集建议使用 DiskDataset 并减小 batch size。具体收费、价格与平台信息暂未提供。