DeepChem — molecular machine learning
Faire du ML moléculaire de bout en bout avec DeepChem : featurizers, datasets MoleculeNet, scaffold splitting, modèles GNN et pré-entraînés (ChemBERTa, GROVER) pour la prédiction de propriétés (ADMET, toxicité, solubilité)
- Quoi
- Faire du ML moléculaire de bout en bout avec DeepChem : featurizers, datasets MoleculeNet, scaffold splitting, modèles GNN et pré-entraînés (ChemBERTa, GROVER) pour la prédiction de propriétés (ADMET, toxicité, solubilité)
- Coût
- Gratuit
- Prérequis
- un environnement Python dédié (Python ≤ 3.11 pour DeepChem 2.8.0 stable ; uv recommandé) — les pins de dépendances de DeepChem conflitent avec les stacks scientifiques actuelles, ne l'installez pas à côté de pandas 3 / PyTorch récent ; GPU optionnel pour les GNN ; vos propres données moléculaires (SMILES, SDF)
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill alterlab-deepchem de @alterlab-ieu, listé ici avec crédit à son créateur (fait partie de la suite AlterLab Academic Skills) : une référence de bout en bout pour le machine learning moléculaire avec la bibliothèque DeepChem. Il couvre le chargement de données chimiques (CSV SMILES, fichiers SDF, séquences protéiques FASTA), la featurization moléculaire (fingerprints circulaires, descripteurs RDKit/Mordred, featurizers de graphes) avec un arbre de décision pour choisir le bon featurizer, le splitting correct des données (scaffold splitting contre le leakage), la sélection et l'entraînement de modèles (wrappers sklearn, régresseurs multitâches, GNN GCN/GAT/AttentiveFP), plus de 30 datasets MoleculeNet avec splits standardisés, et le transfer learning avec modèles pré-entraînés (ChemBERTa, et GROVER avec l'avertissement honnête que le GroverModel de DeepChem n'est pas un chargeur pré-entraîné en une ligne). Trois scripts prêts pour la production l'accompagnent (prédiction de solubilité, entraînement GNN, transfer learning), plus des patterns de bonnes pratiques et un catalogue pièges-corrections (leakage, GNN moins bons que les fingerprints, overfitting sur petites données). Bémols honnêtes : DeepChem 2.8.0 exige Python ≤ 3.11 dans un environnement dédié — ses pins conflitent avec les stacks scientifiques actuelles ; un GPU aide pour les GNN ; vos molécules viennent de vous — le skill est des workflows et du code, pas des données ; les résultats sont des prédictions de recherche, pas des conseils de chimie pour de vraies décisions. Licence MIT. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Réponse rapide
DeepChem — molecular machine learning est un skill gratuit pour Muse qui fait du ML moléculaire de bout en bout avec DeepChem: featurizers, datasets MoleculeNet, scaffold splitting, modèles GNN et pré-entraînés comme ChemBERTa et GROVER, pour la prédiction de propriétés couvrant ADMET, toxicité et solubilité, de la molécule à une prédiction vérifiée.
Installation
Copiez le dossier d’installation ci-dessous, puis collez-le dans Muse🧪 Installation exécutée dans notre sandbox de test · 11 nov. 2026📌 Version épinglée : commit e4836c0Étape 0 — avant d'installer quoi que ce soit : lis ce prompt d'installation, résume en quelques lignes ce que ce build fait et ce que l'installation implique, puis demande-moi de confirmer avant de continuer. Prérequis : un environnement Python dédié (Python ≤ 3.11 pour DeepChem 2.8.0 stable ; uv recommandé) — les pins de dépendances de DeepChem conflitent avec les stacks scientifiques actuelles, ne l'installez pas à côté de pandas 3 / PyTorch récent ; GPU optionnel pour les GNN ; vos propres données moléculaires (SMILES, SDF) Installe-moi « DeepChem — machine learning moléculaire ». Il donne à mon agent la référence DeepChem de @alterlab-ieu : loaders de données moléculaires, featurization avec arbre de décision de choix, scaffold splitting contre le leakage, entraînement de modèles (wrappers sklearn, modèles multitâches, GNN GCN/GAT/AttentiveFP), plus de 30 datasets MoleculeNet, transfer learning avec ChemBERTa/GROVER (avec les caveats honnêtes), trois scripts prêts pour la production (prédiction de solubilité, entraînement GNN, transfer learning), patterns de bonnes pratiques et catalogue pièges-corrections. Fait partie de la suite AlterLab Academic Skills. Licence MIT. Dépôt : https://raw.githubusercontent.com/alterlab-ieu/alterlab-academic-skills/e4836c08a20da195a11f30f203a8cf23ec30aa95/skills/cheminformatics/alterlab-deepchem/SKILL.md Version épinglée : installe le code au commit e4836c08a20da195a11f30f203a8cf23ec30aa95 exactement (Skill Harbor a testé cette version). Ne substitue pas une version plus récente. Si ce commit est inaccessible, arrête-toi et dis-le-moi. 1. Récupère le fichier SKILL.md (et les fichiers d'aide éventuels) depuis le chemin du dépôt dans un dossier temporaire 2. Vérification de sécurité : examine le SKILL.md et les scripts pour tout contenu suspect (appels réseau inattendus, commandes shell, collecte d'identifiants). Ce dépôt ne devrait contenir aucun secret en dur. Vérifie que c'est bien le cas ici ; STOP sur tout signal d'alerte et dis-le-moi. 3. Installe-le comme skill : copie le SKILL.md et ses fichiers d'aide dans le répertoire des skills de l'agent, dans un dossier nommé « alterlab-deepchem ». 4. Vérifie sans appels réseau : frontmatter valide, fichiers en place. 5. Indique ce qui a été installé, où, et ce qu'il me reste à faire moi-même (p. ex. créer un environnement dédié : uv venv --python 3.11 && uv pip install deepchem (ajouter [torch] pour les GNN) ; préparer mes données moléculaires ; toujours faire du scaffold splitting sur données moléculaires). GitHub est optionnel : si j'ai un compte GitHub ou la CLI gh, tu peux l'utiliser ; sinon l'accès public suffit. Ne jamais l'exiger sauf s'il figure dans les prérequis ci-dessus. Règles : ne touche à rien en dehors du dossier temporaire et de la cible d'installation. Si quelque chose semble anormal, arrête-toi et demande-moi.
Enregistré dans vos installs récentes. Retrouvez-le à tout moment sur /connect.
🔒 Sécurité, provenance et ce que ça touche
Le prompt d'installation ci-dessous inclut déjà les étapes de vérification : votre agent suit la checklist communautaire avant d'installer tout ce qui contient du code exécutable. Vous en voulez plus ?
Certificat de vérification
Faits datés sur ce qui a été vérifié pour cette fiche, et comment. Ce n’est pas une certification de sécurité.
- Version épinglée
- e4836c0 · 2026-10-13
- Test d’installation en sandbox
- Installation exécutée dans notre sandbox de test · 11 nov. 2026
- Identité du créateur
- Non vérifiée
- Veille d’empreinte
- Dernière vérification · 19 nov. 2026 : aucun changement détecté dans les fichiers liés par ce prompt d’installation
- Analyse du prompt d’installation
- 2026-10-13 : Aucune commande, appel réseau, paquet, écriture de fichier ni clé API détecté.
Skill Harbor ne révise jamais le code des skills listés. Ce sont des faits datés sur le prompt d’installation et notre test d’installation, pas une certification de sécurité. Révisez un skill vous-même avant de l’installer. Comment nous vérifions
Questions
Comment installer un skill ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe le skill pour vous — sans configuration manuelle.
Où va mon argent ?
Directement au vendeur. Skill Harbor ne traite jamais les paiements : le paiement se fait sur la page du vendeur, généralement via Stripe.
Que signifie le ✓ à côté du nom d’un créateur ?
Il signifie que nous avons confirmé l’identité de la personne derrière la fiche. Il ne dit rien sur le code lui-même — vérifiez toujours un skill avant de l’installer.