Drug Discovery

torchdrug는 분자 및 단백질 머신러닝을 위한 PyTorch 네이티브 툴킷입니다. torchdrug 스킬을 사용해 그래프 신경망, 단백질 모델링, 지식 그래프 추론, 분자 생성, 역합성에 맞는 작업, 데이터셋, 모듈형 모델을 선택하세요. 단순한 데모가 아니라, 커스텀 모델 개발과 재현 가능한 설정에 특히 적합합니다.

RDKit 스킬은 정밀한 화학정보학 워크플로를 지원합니다. SMILES, SDF, MOL, PDB, InChI 파싱부터 descriptor 계산, fingerprint 생성, substructure search, 반응 처리, 2D/3D 좌표 생성까지 다룹니다. 이 RDKit 가이드는 고급 제어, 사용자 정의 sanitization, 그리고 Data Analysis 워크플로에서의 RDKit 활용에 적합합니다.

Rowan은 Python API를 갖춘 클라우드 네이티브 분자 모델링 및 의약화학 워크플로 플랫폼입니다. rowan 스킬은 로컬 HPC나 GPU 인프라를 직접 관리하지 않고도 재현 가능한 프로그래밍 방식 실행이 필요할 때, 배치 pKa 예측, 컨포머·타우토머 앙상블, 도킹, 코폴딩, 분자 동역학, 투과성, 디스크립터 워크플로에 가장 적합합니다.

pytdc는 Therapeutics Data Commons를 위한 스킬로, ADME, 독성, DTI, DDI, 생성, scaffold 분할, 약리 예측에 바로 사용할 수 있는 약물 발견 데이터셋과 벤치마크를 제공합니다.

primekg는 학술 연구를 위한 PrimeKG 지식 그래프 스킬로, 유전자, 약물, 질병, 표현형, 경로를 연결해 근거 중심의 생의학 탐색과 약물 재창출을 지원합니다.

molecular-dynamics 스킬은 Scientific 워크플로에서 OpenMM과 MDAnalysis를 사용해 분자동역학 시뮬레이션을 설정, 실행, 분석할 수 있도록 도와줍니다. 단백질 안정성, 리간드 결합, 구조적 샘플링, 그리고 RMSD, RMSF, 접촉 맵, 자유에너지 표면 같은 궤적 분석에 유용합니다. 실무적인 설정, force field, 재현 가능한 실행에 중점을 둡니다.

medchem은 Scientific 워크플로를 위한 의약화학 필터링 스킬입니다. Lipinski, Veber, PAINS, 구조적 경고, 복잡도 지표를 적용해 화합물 우선순위 지정, 라이브러리 정리, 리드 최적화, 화합물 품질 검토에 활용할 수 있습니다.