🚀 TorchDrug：药物发现神器，一键预测分子属性，蛋白建模，知识图谱推理！-Skill优仓

核心功能

TorchDrug 是一个基于 PyTorch 的机器学习工具箱，专门用于药物发现和分子科学。它应用图神经网络、预训练模型和任务定义到分子、蛋白质和生物知识图谱中，包括分子属性预测、蛋白质建模、知识图谱推理、分子生成、逆合成规划，拥有 40 多个精选数据集和 20 多种模型架构。

适用平台

该 Skill 完美适配主流 AI 编程助手，如 Cursor、GitHub Copilot、Claude Code、OpenAI Codex、Gemini Code Assist、文心快码、腾讯云 CodeBuddy、华为云 CodeArts 等。它是这些 IDE 的“最强外挂”，能显著提升 AI 的上下文理解能力。

实操代码示例

from torchdrug import datasets, models, tasks
from torch.utils.data import DataLoader

# Load molecular dataset
dataset = datasets.BBBP("~/molecule-datasets/")
train_set, valid_set, test_set = dataset.split()

# Define GNN model
model = models.GIN(
    input_dim=dataset.node_feature_dim,
    hidden_dims=[256, 256, 256],
    edge_input_dim=dataset.edge_feature_dim,
    batch_norm=True,
    readout="mean"
)

# Create property prediction task
task = tasks.PropertyPrediction(
    model,
    task=dataset.tasks,
    criterion="bce",
    metric=["auroc", "auprc"]
)

# Train with PyTorch
optimizer = torch.optim.Adam(task.parameters(), lr=1e-3)
train_loader = DataLoader(train_set, batch_size=32, shuffle=True)

for epoch in range(100):
    for batch in train_loader:
        loss = task(batch)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()