Molfeat — molecular featurization hub
Transformer des molécules en matrices de features ML-ready avec molfeat : fingerprints ECFP/MACCS/MAP4, descripteurs RDKit et Mordred, descripteurs pharmacophores et de forme, et embeddings pré-entraînés (ChemBERTa, ChemGPT, CheMeleon) en transformers scikit-learn
- Quoi
- Transformer des molécules en matrices de features ML-ready avec molfeat : fingerprints ECFP/MACCS/MAP4, descripteurs RDKit et Mordred, descripteurs pharmacophores et de forme, et embeddings pré-entraînés (ChemBERTa, ChemGPT, CheMeleon) en transformers scikit-learn
- Coût
- Gratuit
- Prérequis
- Python ≥ 3.11 avec uv — molfeat (uv pip install molfeat) ; extras optionnels selon besoin : molfeat[transformer] (ChemBERTa/ChemGPT), molfeat[mordred], molfeat[fcd], molfeat[pyg] ; package map4 séparé depuis GitHub pour les fingerprints MAP4 ; vos propres données SMILES
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill alterlab-molfeat de @alterlab-ieu, listé ici avec crédit à son créateur (fait partie de la suite AlterLab Academic Skills) : une référence complète pour la featurization moléculaire avec la bibliothèque Python molfeat. Il couvre le modèle en trois couches — calculateurs (par molécule), transformers (compatibles scikit-learn, batch, parallèles) et transformers pré-entraînés (ChemBERTa, ChemGPT, MolT5, CheMeleon, Mol-JEPA) — un guide de choix de featurizer par cas d'usage (ML traditionnel, deep learning, recherche de similarité, approches pharmacophores), des workflows courants (construction de modèles QSAR, criblage virtuel, intégration pipeline scikit-learn, comparaison de featurizers), des conseils de performance (parallélisation, batch, cache, float32), la sauvegarde/chargement d'état pour la reproductibilité, et la gestion d'erreurs pour les SMILES invalides. Remarquablement honnête sur les breaking changes de molfeat 1.0 : GIN/Graphormer DGL et featurizers protéiques retirés, pas d'extra dgl, poids Mol-JEPA en CC BY-NC 4.0, et MAP4 exige le package map4 séparé depuis GitHub. Bémols honnêtes : licence listée MIT selon le manifest de découverte (le frontmatter du skill indique Apache-2.0 — le manifest fait foi ici) ; les téléchargements de modèles pré-entraînés peuvent être lourds et lents au premier run ; vos molécules viennent de vous — le skill les transforme en features, il n'entraîne rien ; les sorties sont des features de recherche pour vos propres modèles. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Installation
Prérequis : Python ≥ 3.11 avec uv — molfeat (uv pip install molfeat) ; extras optionnels selon besoin : molfeat[transformer] (ChemBERTa/ChemGPT), molfeat[mordred], molfeat[fcd], molfeat[pyg] ; package map4 séparé depuis GitHub pour les fingerprints MAP4 ; vos propres données SMILES Installe-moi « Molfeat — hub de featurization moléculaire ». Il donne à mon agent la référence molfeat de @alterlab-ieu : calculateurs, transformers compatibles scikit-learn et transformers pré-entraînés pour transformer des molécules en vecteurs de features ML-ready — guides de choix de featurizers (ECFP/MACCS/MAP4, descripteurs RDKit/Mordred, descripteurs pharmacophores/de forme, embeddings ChemBERTa/ChemGPT/CheMeleon/Mol-JEPA), workflows de démarrage rapide (QSAR, criblage virtuel, recherche de similarité, intégration pipeline sklearn), conseils de performance, reproductibilité via YAML d'état et gestion d'erreurs — avec notes honnêtes sur les breaking changes de molfeat 1.0. Fait partie de la suite AlterLab Academic Skills. Listé MIT selon le manifest de découverte (le frontmatter du skill indique Apache-2.0 — le manifest fait foi). Dépôt : https://github.com/alterlab-ieu/alterlab-academic-skills/blob/main/skills/cheminformatics/alterlab-molfeat/SKILL.md 1. Récupère le fichier SKILL.md (et les fichiers d'aide éventuels) depuis le chemin du dépôt dans un dossier temporaire et résume en une ou deux phrases ce qu'il fait. 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-molfeat ». 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. uv pip install molfeat plus les extras nécessaires ; fournir mes propres données SMILES ; sauvegarder les configs de featurizers en YAML pour la reproductibilité). 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.
Questions
Comment installer une création ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe la création 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 une création avant de l’installer.