Claude Skill MartKhám phá skillCâu dùng ngayHọc qua videoDùng terminalSkill là gì?
 
← Về danh sách

Lọc hợp chất với Medchem

Skill sàng lọc thư viện hợp chất bằng quy tắc drug-likeness (Lipinski, Veber, CNS), cảnh báo cấu trúc PAINS/NIBR, chỉ số phức tạp và ngôn ngữ truy vấn medchem.

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

Giúp được gì

  • Dùng thư viện medchem (datamol-io) để lọc và ưu tiên hóa hợp chất trong nghiên cứu phát triển thuốc.
  • Áp dụng các quy tắc từ tài liệu khoa học: Lipinski Ro5, Veber, CNS, lead-like… cho một phân tử hoặc hàng loạt, trả về DataFrame với cột pass_all / pass_any.
  • Phát hiện cảnh báo cấu trúc PAINS, Brenk, ChEMBL Common Alerts, NIBR (bộ sàng lọc của Novartis), tính chỉ số phức tạp theo ngưỡng phân vị ZINC-15 (bertz, sas, qed…), và nhận diện nhóm hóa học (privileged scaffolds, warhead cộng hóa trị).
  • Viết bộ lọc đa tiêu chí bằng ngôn ngữ truy vấn: MATCHRULE, HASALERT, HASPROP, HASGROUP, HASSUBSTRUCTURE kết hợp AND/OR/NOT.
  • Nhắc rõ các lưu ý thực tế: phân biệt kiểu trả về (DataFrame vs mảng boolean), dùng n_jobs=-1 khi thư viện >1000 phân tử, bộ lọc Lilly demerit phải cài riêng.

Phù hợp với ai

  • Nhà hóa dược chọn lọc ứng viên ở giai đoạn hit-to-lead hoặc tối ưu lead.
  • Nghiên cứu viên tin-hóa học / hóa tính toán cần làm sạch thư viện SMILES quy mô lớn.
  • Kỹ sư AI phát triển thuốc muốn hậu xử lý phân tử do mô hình sinh ra theo tiêu chí độc tính, khả năng tổng hợp.

Ví dụ sử dụng

  1. Áp dụng Ro5 + Veber và loại bỏ PAINS cho hàng chục nghìn SMILES trong compounds.csv, xuất ra filtered_compounds.csv.
  2. Kết hợp rule_of_leadlike_soft, NIBR severity < 10 và phức tạp Bertz dưới phân vị 95 để tạo mask ứng viên cuối cùng.
  3. Dùng nhóm common_warhead_covalent_inhibitors để trích riêng các phân tử chứa warhead cộng hóa trị nhằm xem xét thêm.

· · · Hướng dẫn cài đặt · · ·

Dùng thử ngay, không cần cài

Dán đoạn dưới vào Claude là dùng được skill này mà không cần cài đặt.

Hãy đọc hướng dẫn trong tệp này và làm theo để giúp mình:
https://raw.githubusercontent.com/K-Dense-AI/scientific-agent-skills/HEAD/skills/medchem/SKILL.md

Mình muốn: (viết việc bạn cần ở đây)

Nếu Claude không mở được liên kết, hãy mở liên kết và copy nội dung vào rồi dán.

↓ Thấy hữu ích thì tải ZIP bên dưới và cài. Sau đó skill tự chạy, không phải dán lại mỗi lần.

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/medchem từ repo GitHub K-Dense-AI/scientific-agent-skills vào ~/.claude/skills/medchem/ 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 && mkdir -p ~/.claude/skills && cp -r scientific-agent-skills/skills/medchem ~/.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 skill: mkdir -p ~/.claude/skills
  3. Copy riêng skill medchem: cp -r scientific-agent-skills/skills/medchem ~/.claude/skills/
  4. Trong môi trường Python ≥3.9, cài thư viện: uv pip install medchem datamol (RDKit sẽ tự cài kèm).
  5. (Tùy chọn) Nếu cần bộ lọc Lilly demerit: mamba install -c conda-forge lilly-medchem-rules
  6. Khởi động lại Claude Code, rồi yêu cầu ví dụ: "Áp dụng quy tắc Lipinski và lọc PAINS cho cột SMILES trong file CSV này".
Xem mã nguồn trên GitHub ↗Giấy phép: MIT