Claude Skill MartKhám phá skillSkill là gì?
 
← Về danh sách

DeepChem — Machine Learning phân tử

Hướng dẫn Claude nạp dữ liệu phân tử (SMILES, SDF) và huấn luyện, đánh giá mô hình dự đoán tính chất từ Random Forest tới GNN và mô hình tiền huấn luyện.

Dữ liệu · Phân tíchNâng cao★ 33,030⑂ 3,248Điểm AI 8/10Cập nhật lần cuối: 9 thg 8, 2026

Làm được gì

Kỹ năng đóng gói toàn bộ quy trình machine learning phân tử bằng DeepChem 2.8.0:

  • Nạp & xử lý dữ liệu: SMILES, tệp SDF, chuỗi protein → NumpyDataset / DiskDataset
  • Featurization: circular fingerprint, biểu diễn đồ thị, descriptor RDKit
  • Chia dữ liệu: ưu tiên ScaffoldSplitter để tránh rò rỉ dữ liệu; có cả stratified, butina
  • Mô hình hóa: baseline RF/XGBoost → MultitaskRegressor → GCN, GAT, MPNN, AttentiveFP → fine-tune ChemBERTa, GROVER, MolFormer
  • Benchmark MoleculeNet: Tox21, BBBP, Delaney… cùng split đã công bố
  • 3 script chạy ngay: predict_solubility.py, graph_neural_network.py, transfer_learning.py

Ngoài ra còn có mục lỗi thường gặp: overfitting dữ liệu nhỏ, GNN yếu hơn fingerprint, lỗi import backend, xung đột MKL với PyTorch.

Phù hợp với ai

  • Nhà nghiên cứu dược/hóa cần dựng nhanh mô hình dự đoán ADMET, độc tính, độ tan
  • Học viên cao học cần tái lập kết quả trên benchmark MoleculeNet
  • Kỹ sư ML muốn so sánh nhiều cách biểu diễn phân tử trong cùng một framework
  • Người mở rộng sang dự đoán tính chất vật liệu hoặc phân tích chuỗi protein/DNA

Ví dụ sử dụng

  1. Baseline độ tan: "Dùng CSV của tôi (smiles, logS) huấn luyện mô hình hồi quy và đánh giá bằng scaffold split" → CircularFingerprint + Random Forest kèm báo cáo chỉ số.
  2. Huấn luyện GNN trên Tox21: "So sánh GCN và AttentiveFP theo ROC-AUC" → thiết lập thí nghiệm phân loại đa nhiệm.
  3. Transfer learning cho dữ liệu ít: "Tôi chỉ có 300 phân tử và mô hình overfit" → đề xuất fine-tune ChemBERTa kèm dropout và BalancingTransformer.

· · · Hướng dẫn cài đặt · · ·

Cài vào ứng dụng Claude (không cần terminal)
  1. Tải tệp ZIP bằng nút bên dưới.
  2. Trong Claude, mở Settings → Capabilities và bật 'Code execution and file creation'. (chỉ một lần)
  3. Vào Customize → Skills → + → 'Upload a skill' rồi tải tệp ZIP lên.
↓ Tải ZIP
Cài vào Claude Code

Để Claude làm — dán câu dưới đây vào Claude Code

Hãy cài skill mình tìm thấy trên Claude Skill Mart.
Copy thư mục skills/deepchem từ repo GitHub K-Dense-AI/scientific-agent-skills vào ~/.claude/skills/deepchem/ của mình.
Sau khi cài xong, cho mình biết skill này làm được gì trong một câu.

Cài bằng lệnh thủ công

git clone https://github.com/K-Dense-AI/scientific-agent-skills.git /tmp/scientific-agent-skills && mkdir -p ~/.claude/skills && cp -r /tmp/scientific-agent-skills/skills/deepchem ~/.claude/skills/

⚠ Đây là skill do người khác tạo. Hãy kiểm tra repo gốc trước khi cài.

  1. Mở terminal và clone repo: git clone https://github.com/K-Dense-AI/scientific-agent-skills.git
  2. Tạo thư mục kỹ năng nếu chưa có: mkdir -p ~/.claude/skills
  3. Copy kỹ năng: cp -r scientific-agent-skills/skills/deepchem ~/.claude/skills/
  4. Kiểm tra Python: chỉ hỗ trợ 3.7–3.11 (python --version); Python 3.12+ sẽ cài thất bại.
  5. Nếu dùng GPU, cài PyTorch (hoặc TensorFlow/JAX) đúng bản CUDA trước.
  6. Cài DeepChem: pip install deepchem cho phần cơ bản, hoặc pip install 'deepchem[torch]' để dùng GNN và mô hình tiền huấn luyện (nhớ dấu nháy trong zsh).
  7. Kiểm tra: python -c "import deepchem; print(deepchem.__version__)". Nếu gặp lỗi iJIT_NotifyEvent, chạy conda install "mkl<2025".
  8. Khởi động lại Claude Code và thử: "dùng deepchem dự đoán độc tính cho tập phân tử này".
Xem mã nguồn trên GitHub ↗Giấy phép: MIT