torchdrug

torchdrug 技能總覽

torchdrug 是拿來做什麼的

torchdrug 技能能幫你把 TorchDrug 當成一套實用、原生於 PyTorch 的分子與蛋白質機器學習工具組來使用。它最適合需要建立、訓練或調整圖神經網路流程的使用者，應用場景包括藥物發現、蛋白質建模、知識圖譜推理、分子生成或逆合成；不是只拿來跑一個現成 demo。如果你要的是一頁能在安裝前先幫你判斷是否適用的 torchdrug 指南，這就是正確的頁面。

誰適合使用它

如果你要把 SMILES、蛋白質序列、PDB 結構、反應式或生醫三元組轉成可訓練模型，就適合用 torchdrug 技能。它特別適合需要自訂模型開發、任務選擇、資料集挑選，以及可重現設定的研究者與工程師。如果你只需要通用的化學資訊工具，或已經包好的 benchmark 包裝器，它就沒那麼合適。

它和其他工具有什麼不同

TorchDrug 的核心價值在於模組化設計：模型、任務、資料集與 config 載入彼此分離，所以你可以替換元件，而不用重寫整條流程。當你在比較架構、改變預測目標，或從分子性質預測切換到蛋白質任務時，這點特別重要。對於 torchdrug for Machine Learning 來說，關鍵優勢是能用領域特定抽象快速做實驗，而不是那種什麼都包好的一鍵自動化。

如何使用 torchdrug 技能

先安裝，再先讀這些檔案

先用 npx skills add K-Dense-AI/claude-scientific-skills --skill torchdrug 安裝 torchdrug 技能。安裝後，先看 SKILL.md，再讀 references/core_concepts.md，以及最符合你工作內容的領域檔案：references/molecular_property_prediction.md、references/protein_modeling.md、references/knowledge_graphs.md、references/molecular_generation.md 或 references/models_architectures.md。這些檔案會告訴你，在開始寫程式前，該選哪一類 task class、dataset 和 model family。

先把具體問題講清楚

像「幫我用 torchdrug 跑我的資料集」這種模糊提問，通常會漏掉最重要的設定選擇。更好的 torchdrug 使用提示，會直接說明輸入型態、目標、切分方式和輸出目標，例如：「用 SMILES 訓練 TorchDrug 的 BBBP 二元分類模型，使用 scaffold split，回報 AUROC 和 AUPRC，並示範以 config 為核心的工作流程。」如果你做的是蛋白質建模，也要說清楚輸入是序列、結構，還是兩者都有，以及你要的是功能預測、穩定性、定位，還是交互作用預測。

用流程，不要靠猜

torchdrug 的安裝只有在你照著 repository 的模組化路徑走時才真正有用：先選資料集參考，再對應到 task 定義，最後挑一個符合資料形狀的 baseline 架構。比如，分子性質預測通常會先從 GCN、GAT 或 MPNN 類模型開始；知識圖譜推理則是從 link prediction 任務開始；分子生成通常需要專用的生成目標，而不是一般分類器。如果你不確定，先要求一個最小 baseline，再逐步迭代成自訂模型。

盡早把輸出品質拉高

一開始就把限制條件講明：GPU 預算、資料集大小、是否需要 config 可重現性，以及你要的是訓練腳本、評估方案還是架構建議。TorchDrug 的可設定系統特別適合把同一個實驗同時表成程式碼與已保存的 config。可以的話，直接要求先查看哪些精確的檔案或 class，讓 torchdrug 指南一直緊扣 repo 真正的任務結構。

torchdrug 技能 FAQ

torchdrug 只適合藥物發現嗎？

不是。TorchDrug 在藥物發現最強，但它也涵蓋蛋白質建模、分子生成、逆合成，以及生醫知識圖譜補全。如果你的工作範圍不在圖、序列、結構或反應這些範疇內，其他函式庫可能更適合。

torchdrug 和一般 prompt 有什麼不同？

一般 prompt 可能只會給你一個模型想法，但 torchdrug 技能的目的，是把你的問題對應到 TorchDrug 真正的 task 與 dataset 抽象。這樣可以降低常見失誤：選錯 split、選錯 metric，或選到和輸入表示法不相符的模型。

torchdrug 適合新手嗎？

只有在你已經知道自己要做哪種任務時，它才算對新手友善。這個 repo 很適合從 baseline 起步，但它預期你能分辨 classification 與 regression、sequence 與 structure，以及 molecular、protein 和 knowledge graph 問題。新手最好的做法，是從一個資料集和一個 baseline architecture 開始。

什麼情況下不該用 torchdrug？

如果你主要需要的是預訓練分子 embedding、廣泛的表格 ADMET 工具，或只是想瀏覽 benchmark 資料集而不是進行模型開發，那就不太適合選 torchdrug。這些情況下，deepchem 或 pytdc 可能比先安裝 torchdrug 更合適。

如何改進 torchdrug 技能

把任務限制講得更精準

要讓 torchdrug 的輸出更有用，最有效的方法就是把任務說清楚：資料集名稱、標籤型態、預測目標、評估指標與切分策略。像「預測分子活性」太模糊；「在 Tox21 multi-label classification 上訓練，使用 scaffold split，並回報 AUROC」就把模型需要做決策的重點都提供了。做蛋白質相關工作時，請直接說出明確終點，例如穩定性或 GO prediction，不要只寫「protein ML」。

先要對的 baseline

常見失敗模式是還沒證明資料流程可行，就直接跳去設計自訂架構。更好的 torchdrug 使用方式是先 baseline，再做專精：先用簡單模型、已知資料集、可重現 config，接著再加自訂特徵或更大的架構。這個順序能幫你分開 repo 整合問題和真正的建模問題。

根據 repo 結構逐步收斂

如果第一個回答太寬，請改成要求技能中的特定參考路徑，例如 references/core_concepts.md 看 config，references/datasets.md 看資料集選擇，或是與你任務相符的領域參考。當你需要的是一份能實際改寫成程式的 torchdrug 指南，而不是高層次摘要時，這個方法特別有用。