torchdrug

torchdrug skill の概要

torchdrug は何のためのものか

torchdrug skill は、TorchDrug を実用的な PyTorch ネイティブの分子・タンパク質機械学習ツールキットとして使うためのものです。創薬、タンパク質モデリング、知識グラフ推論、分子生成、逆合成に向けて、グラフニューラルネットワークのパイプラインを構築・学習・調整したい人に最適です。出来合いのデモを動かすだけでなく、導入前に自分の用途に合うか判断できる torchdrug ガイドを探しているなら、このページが適しています。

どんな人に向いているか

SMILES、タンパク質配列、PDB 構造、反応、または生物医学トリプルを、学習可能なモデルに落とし込みたいなら torchdrug skill を使ってください。カスタムモデル開発、タスク選定、データセット選び、再現可能な設定を重視する研究者やエンジニアに向いています。一般的なケモインフォマティクスのユーティリティや、すぐ使えるベンチマーク用ラッパーだけが必要なら、あまり向きません。

何が違うのか

TorchDrug の最大の強みは、モジュール設計にあります。モデル、タスク、データセット、設定の読み込みが分かれているため、パイプライン全体を書き直さなくても部品を差し替えられます。これは、アーキテクチャ比較、予測対象の変更、分子特性予測からタンパク質タスクへの移行を行うときに効いてきます。Machine Learning 向けの torchdrug で特に重要なのは、広範なワンクリック自動化ではなく、ドメイン固有の抽象化を使って試行錯誤を速く回せることです。

torchdrug skill の使い方

まずインストールして読む

torchdrug skill は npx skills add K-Dense-AI/claude-scientific-skills --skill torchdrug でインストールできます。インストール後はまず SKILL.md を開き、次に references/core_concepts.md と、作業内容に合うドメイン別ファイルを読みます。該当するのは references/molecular_property_prediction.md、references/protein_modeling.md、references/knowledge_graphs.md、references/molecular_generation.md、references/models_architectures.md です。これらのファイルを見れば、コーディングを始める前に、どの task class、dataset、model family を選ぶべきか分かります。

具体的な課題を与える

「自分のデータセットで torchdrug を使って」という曖昧な指示では、重要な初期設定が抜け落ちがちです。より良い torchdrug の使い方としては、入力形式、予測対象、分割方法、出力目標を明示します。たとえば「SMILES から BBBP の二値分類用 TorchDrug モデルを学習し、scaffold split を使い、AUROC と AUPRC を報告し、config ベースのワークフローも示して」といった形です。タンパク質モデリングなら、入力が配列・構造・両方のどれか、さらに機能予測・安定性予測・局在予測・相互作用予測のどれをしたいのかを明確にしてください。

勘ではなくワークフローで進める

torchdrug の導入は、リポジトリのモジュール構成に沿って進めてこそ意味があります。まずデータセットの参照を選び、それを task 定義に対応付け、次にデータ形状に合うベースラインのアーキテクチャを選びます。たとえば、分子特性予測なら GCN、GAT、MPNN 系から始めることが多く、知識グラフ推論なら link prediction task から始め、分子生成では通常の分類器ではなく生成専用の目的関数が必要になることが多いです。迷う場合は、最初に最小限のベースラインを求めてから、カスタムモデルへ段階的に広げるのが安全です。

早い段階で出力品質を上げる

GPU 予算、データセットサイズ、config の再現性が必要かどうか、training script・evaluation plan・architecture recommendation のどれが欲しいかを最初に伝えてください。TorchDrug の設定可能な仕組みは、同じ実験をコードとしても保存済み config としても表現したいときに特に有効です。可能であれば、最初に確認すべき具体的なファイルやクラスまで指定すると、torchdrug ガイドが実際のリポジトリ構造にきちんと紐づきます。

torchdrug skill の FAQ

torchdrug は創薬専用ですか？

いいえ。TorchDrug は創薬で特に強みを発揮しますが、タンパク質モデリング、分子生成、逆合成、生物医学知識グラフ補完にも対応しています。グラフ、配列、構造、反応のどれにも当てはまらない作業なら、別のライブラリのほうが合う場合があります。

torchdrug は一般的なプロンプトと何が違いますか？

一般的なプロンプトはモデルのアイデアを提案するだけで終わりがちですが、torchdrug skill は問題設定を TorchDrug の実際の task と dataset の抽象化に対応づけることを目的としています。これにより、分割方法の選択ミス、指標の取り違え、入力表現に合わないモデル選定といった典型的な失敗を減らせます。

torchdrug は初心者向けですか？

やりたい task がすでに決まっているなら、初心者にも使いやすいです。リポジトリ自体はベースラインから始めるには取り組みやすい一方で、分類と回帰、配列と構造、分子とタンパク質と知識グラフの違いは理解している前提です。初心者は、まず 1 つのデータセットと 1 つのベースラインアーキテクチャから始めるのが最も良い結果につながります。

どんなときに torchdrug を使うべきではありませんか？

主な目的が pretrained molecular embeddings、広範な表形式 ADMET ツール、あるいはモデル開発なしでベンチマークデータセットを閲覧することなら、torchdrug は最適ではありません。その場合は、deepchem や pytdc のほうが、torchdrug を入れるより先に試す候補として適していることがあります。

torchdrug skill の改善方法

task 制約をより具体的にする

torchdrug の出力を改善する最も効果的な方法は、task を正確に指定することです。データセット名、ラベルの種類、予測対象、評価指標、分割戦略をはっきり書いてください。「分子活性を予測して」は曖昧すぎますが、「Tox21 の multi-label classification に scaffold split を使い、AUROC で評価する」なら、モデルが判断すべき点が明確になります。タンパク質系では、「protein ML」だけで済ませず、stability なのか GO prediction なのかを具体的に書いてください。

まず適切なベースラインを求める

よくある失敗は、データパイプラインが動くか確認する前に、いきなりカスタムアーキテクチャへ進んでしまうことです。より良い torchdrug の使い方は、まずベースライン、その後に特化、という順序です。つまり、シンプルなモデル、既知のデータセット、再現可能な config を用意し、そのあとでカスタム特徴量や大きめのアーキテクチャに進みます。この順番なら、リポジトリ統合の問題と、純粋なモデリング上の問題を切り分けやすくなります。

リポジトリ構造を見ながら段階的に詰める

最初の回答が広すぎる場合は、skill に含まれる特定の参照パスを指定して絞り込んでください。たとえば、config なら references/core_concepts.md、データセット選定なら references/datasets.md、あるいはタスクに合うドメイン別 reference を指定します。これは、ただの要約ではなく、実際に手元で改変できるコードが欲しい torchdrug ガイドを作るときに特に有効です。