DeepChem 化学与材料机器学习

要解决什么问题

在药物发现、材料筛选或生物分子分析里，你往往要从 SMILES、晶体结构或蛋白质序列出发，预测溶解度、毒性、结合能等属性。通用 scikit-learn 流程缺少分子表示与切分约定，随机 train/test 切分还会让结构相似的分子同时出现在两侧，基准结果也难以复现。

技能如何组织工作流

本技能围绕 DeepChem 2.8.0（Python 3.7–3.11）梳理端到端用法，而不是替代官方文档：

• 特征化：从经典 ECFP、RDKit 描述符到图特征化器（MolGraphConvFeaturizer、DMPNNFeaturizer），以及预训练路线上的 GroverFeaturizer。
• 数据切分：药物相关任务强调用 ScaffoldSplitter 按分子骨架切分，避免结构泄漏；另有 ButinaSplitter、MaxMinSplitter 等可选策略。
• 模型选择：小数据或指纹基线可走 Random Forest / XGBoost；样本量上来再试 GCN、AttentiveFP、DMPNN；小样本迁移可用 ChemBERTa、GROVER、MolFormer；材料侧常见 CGCNN、MEGNet，序列侧可用 ProtBERT。
• MoleculeNet：通过 load_tox21()、load_delaney()、load_qm9() 等加载器快速接入 30+ 标准化基准及固定切分。

技能内 references/api_reference.md 覆盖加载器、特征化器与 50+ 模型目录；references/workflows.md 给出从 SMILES 预测、基准复现、超参搜索、迁移学习到材料/蛋白等八条完整工作流模板。

适用边界与常见坑

• 后端依赖：DeepChem 对 PyTorch / TensorFlow 等是惰性加载；用 GNN 或预训练模型前需安装匹配 extra（GPU 环境应先装对应 CUDA 版 PyTorch/TensorFlow）。
• GNN 不如指纹：常见于数据量不足（通常建议 >10K）、训练轮数过少或架构不合适；可加长训练、换 AttentiveFP/DMPNN，或改用 GROVER 等预训练特征。
• 小数据集：优先更强正则、更简单模型或迁移学习，而不是堆大网络。
• Conda + PyTorch：若出现 undefined symbol: iJIT_NotifyEvent，可能与 MKL 2025 不兼容，需按文档固定 mkl<2025。