DeepChem 분자 머신러닝

무엇을 해주나

DeepChem 2.8.0을 기준으로 분자 머신러닝 전 과정을 Claude가 대신 설계·코딩하게 해줍니다.

• 데이터 로딩/처리: SMILES, SDF, 단백질 서열을 NumpyDataset / DiskDataset으로 변환
• 피처라이제이션: circular fingerprint, 그래프 컨볼루션 입력, RDKit 디스크립터 등 다양한 표현 선택
• 분할 전략: 데이터 누수를 막는 scaffold split을 기본값으로 권장, stratified·butina 등도 안내
• 모델링: RF/XGBoost 베이스라인 → MultitaskRegressor → GCN·GAT·MPNN·AttentiveFP → ChemBERTa·GROVER·MolFormer 전이학습
• 벤치마크: Tox21, BBBP, Delaney 등 MoleculeNet 표준 데이터셋과 공개 split 사용
• 실행 스크립트 3종: predict_solubility.py, graph_neural_network.py, transfer_learning.py

추가로 과적합, GNN 성능 저하, 백엔드 import 오류(MKL 충돌 포함) 같은 실전 함정과 해결책을 정리해 둡니다.

이런 분께 추천

• ADMET·독성·용해도 등 분자 특성 예측 모델을 빠르게 프로토타이핑하려는 신약개발/화학 연구자
• MoleculeNet 벤치마크로 논문 재현이나 베이스라인 비교가 필요한 대학원생·연구원
• 다양한 분자 표현(지문 vs 그래프 vs 사전학습 임베딩)을 한 프레임워크에서 비교하려는 ML 엔지니어
• 소재(밴드갭, 생성에너지) 예측이나 단백질/DNA 서열 분석까지 확장하려는 분

활용 예시

1. 용해도 예측 베이스라인: "내 CSV(smiles, logS)로 Delaney 스타일 회귀 모델을 만들고 scaffold split으로 평가해줘" → CircularFingerprint + Random Forest 베이스라인 후 지표 리포트.
2. Tox21 GNN 학습: "Tox21에서 GCN과 AttentiveFP를 각각 학습해 ROC-AUC를 비교해줘" → graph_neural_network.py를 기반으로 멀티태스크 분류 실험 구성.
3. 소량 데이터 전이학습: "300개짜리 활성 데이터가 있는데 과적합이 심해" → ChemBERTa 파인튜닝 + 드롭아웃/밸런싱 트랜스포머 조합 제안.

클로드스킬마트에서 찾은 스킬을 설치해줘.
GitHub 저장소 K-Dense-AI/scientific-agent-skills 의 skills/deepchem 폴더를 내 ~/.claude/skills/deepchem/ 에 그대로 복사해줘.
설치가 끝나면 이 스킬로 무엇을 할 수 있는지 한 줄로 알려줘.