torchdrug

torchdrug 技能概览

torchdrug 是用来做什么的

torchdrug 技能帮助你把 TorchDrug 当作一个实用的、原生 PyTorch 的分子与蛋白质机器学习工具箱来使用。它最适合需要构建、训练或改造图神经网络流程的用户，应用场景包括药物发现、蛋白建模、知识图谱推理、分子生成或逆合成，而不只是跑一个现成 demo。如果你想在安装前先判断 torchdrug 是否适合自己的任务，这一页就是为你准备的。

适合谁使用

如果你要把 SMILES、蛋白序列、PDB 结构、反应数据或生物医学三元组变成可训练模型，就适合用 torchdrug 技能。它面向的是希望进行自定义模型开发、任务选择、数据集选择和可复现配置的研究人员与工程师。如果你只需要通用的化学信息学工具，或者一个现成的 benchmark 包装器，它就没那么合适。

它的不同之处

TorchDrug 的核心价值在于模块化设计：模型、任务、数据集和配置加载彼此分离，因此你可以替换组件，而不用重写整条流程。这在你比较不同架构、切换预测目标，或者从分子性质预测转到蛋白任务时尤其重要。对于用于 Machine Learning 的 torchdrug 来说，关键优势是借助领域专用抽象快速试验，而不是追求广泛的一键自动化。

如何使用 torchdrug 技能

先安装，再先读这些内容

使用 npx skills add K-Dense-AI/claude-scientific-skills --skill torchdrug 安装 torchdrug 技能。安装完成后，先从 SKILL.md 看起，然后阅读 references/core_concepts.md，以及与你工作最匹配的领域文件：references/molecular_property_prediction.md、references/protein_modeling.md、references/knowledge_graphs.md、references/molecular_generation.md 或 references/models_architectures.md。这些文件会告诉你在开始写代码前，该选哪种 task class、dataset 和 model family。

给技能一个具体问题

像“帮我用 torchdrug 跑我的数据集”这样模糊的提示，通常会漏掉最关键的配置选择。更好的 torchdrug 使用提示应该写明输入类型、预测目标、划分方式和输出目标，例如：“用 SMILES 训练一个 TorchDrug 模型做 BBBP 二分类，使用 scaffold split，输出 AUROC 和 AUPRC，并展示基于 config 的工作流。”如果你做的是蛋白建模，还要说明输入是序列、结构，还是两者都有，以及你要做的是功能预测、稳定性预测、定位预测，还是相互作用预测。

用工作流，不要靠猜

torchdrug 的安装只有在你沿着仓库的模块化路径走时才真正有价值：先选一个数据集参考，再把它映射到对应的 task 定义，最后选择与数据形态匹配的 baseline 架构。比如，分子性质预测通常从 GCN、GAT 或 MPNN 一类模型开始；知识图谱推理通常从 link prediction 任务入手；分子生成往往需要专门的生成目标，而不是普通分类器。如果拿不准，先要一个最小 baseline，再逐步迭代到自定义模型。

尽早提高输出质量

一开始就把约束说清楚：GPU 预算、数据集大小、是否需要配置可复现、以及你想要的是训练脚本、评估方案还是架构建议。TorchDrug 的可配置系统尤其适合把同一个实验同时表达成代码和保存下来的 config。条件允许的话，尽量要求模型先指出要查看的具体文件或 class，这样 torchdrug 指南才能始终锚定到仓库里真实的任务结构。

torchdrug 技能 FAQ

torchdrug 只适合药物发现吗？

不是。TorchDrug 在药物发现中最强，但它也覆盖蛋白建模、分子生成、逆合成，以及生物医学知识图谱补全。如果你的工作不涉及图、序列、结构或反应，那么别的库可能更合适。

torchdrug 和普通提示词有什么不同？

普通提示词可能只会给你一个模型思路，而 torchdrug 技能的目标是把你的问题映射到 TorchDrug 真实的 task 和 dataset 抽象上。这样可以减少常见失败：选错划分方式、选错指标，或者模型和输入表示不匹配。

torchdrug 对新手友好吗？

只有当你已经知道自己要做什么任务时，它才算对新手友好。这个仓库适合从 baseline 起步，但它默认你能区分分类和回归、序列和结构，以及分子、蛋白和知识图谱问题。新手最好的起点是先选一个数据集和一个 baseline 架构。

什么情况下不该用 torchdrug？

如果你主要需要预训练分子 embedding、通用的表格型 ADMET 工具，或者只是想浏览 benchmark 数据集而不打算做模型开发，就不该优先选 torchdrug。对这些情况来说，deepchem 或 pytdc 可能比先安装 torchdrug 更合适。

如何改进 torchdrug 技能

给出更强的任务约束

提升 torchdrug 输出质量最有效的方法，是把任务说得更精确：数据集名称、标签类型、预测目标、指标和划分策略。“预测分子活性”太模糊；“在 Tox21 上做多标签分类，使用 scaffold split，并评估 AUROC”才能给模型足够的决策点。做蛋白任务时，直接写清楚具体终点，比如稳定性或 GO 预测，不要只说“protein ML”。

先要对的 baseline

常见失败模式是：还没验证数据管线是否通，就直接跳到自定义架构。更好的 torchdrug 使用方式是先 baseline，再做专门化：先用简单模型、已知数据集和可复现 config，再加自定义特征或更大的架构。这个顺序能帮你区分仓库集成问题和真正的建模问题。

从仓库结构逐步细化

如果第一次得到的答案太宽泛，就通过要求技能里的具体参考路径来收紧范围：比如用 references/core_concepts.md 看 config，用 references/datasets.md 选数据集，或者用与你任务匹配的领域参考文件。这在你需要一个能真正改写的 torchdrug 指南，而不是高层概述时，尤其有用。