概要
DeepChem は、創薬、材料科学、量子化学、生物学におけるディープラーニングの研究を支援することを目的とした、科学機械学習ツールチェーンです。単一の事前学習済み予測器やホスト型分析サービスではなく、ライブラリと学習リソースの集合です。提供された資料では TensorFlow、PyTorch、JAX のサポートが説明されており、研究者は使用するモデルに応じてフレームワークを選択できます。
文書に記載された導入手順は、分子機械学習と計算生物学の順序立てられたチュートリアルから始まり、その後、追加の例へと進みます。これらのチュートリアルは Google Colab またはローカル環境での実行を想定しています。新しい研究課題に取り組む場合、プロジェクトは既存のチュートリアルや例を段階的に改変することを推奨しています。科学データセットはこれらのワークフローへの入力として利用されますが、出典の抜粋には、受け付けるファイル形式、表現形式、個々のモデルの出力スキーマは記載されていません。一方で、モデルのトレーニングと評価指標を追跡するための Weights & Biases との統合は明記されています。
環境の準備は、導入にあたって重要な要素です。DeepChem には NumPy、pandas、scikit-learn、SciPy、RDKit などの中核的な科学計算依存関係に加え、選択する機能に応じたオプションの依存関係があります。インストール方法には pip、conda、Docker、ソースからのビルドがあり、stable と nightly の選択肢も用意されています。README とパッケージ設定に記載された Python 互換性の宣言は一致していないため、抜粋から一貫したサポート範囲を特定することはできません。また、タスク単位の性能結果や、特定のモデルが新しい科学データセットに汎化することを示す根拠も示されていません。
主な機能
- 個別に指定されたオプション依存関係を通じて、TensorFlow、PyTorch、JAX のワークフローをサポートします。
- Google Colab またはローカル環境での実行を想定した、分子機械学習と計算生物学の順序立てられたチュートリアル集を提供します。
- DeepChem を新しい研究課題に適応させる際の出発点となる、追加の例を提供します。
- モデルのトレーニングと評価指標の追跡に Weights & Biases を統合しています。
- stable および nightly ビルドを含む、pip、conda、Docker、ソースからのインストール方法を説明しています。
用途
- 評価案：分子機械学習のチュートリアルを創薬データセットに適応させ、目的とする予測タスクへの適合性を評価します。
- 評価案：文書に記載されたモデルと例が、材料科学または量子化学プロジェクトの表現形式と出力要件を満たすかを調べます。
- Google Colab またはローカル環境で順序立てられたチュートリアルに取り組み、分子機械学習と計算生物学を学びます。
- 評価案：文書に記載された Weights & Biases との統合を使用し、実験ワークフロー間でトレーニング指標と評価指標を比較します。
使い方
- 公式ドキュメントから始め、科学的な問いに関連するチュートリアルまたは例を特定します。共通のデータセットインターフェースがあると想定せず、実際の入力要件と出力要件を確認してください。
- リポジトリのインストールガイドを参照し、stable、nightly、Docker、ソースからのインストールのいずれかを選びます。提供された Python の宣言には違いがあるため、選択したパッケージの要件を確認してください。
- 選択したモデルに TensorFlow、PyTorch、JAX のいずれが必要かを確認します。追加パッケージについてはソフト要件ガイドを確認してください。GPU の設定も選択したフレームワークによって異なります。
- ワークフローを変更する前に、Google Colab またはローカル環境で関連するチュートリアルに取り組みます。使用環境とデータセットに関する前提を記録してください。
- 既存の例を段階的にデータセットへ適応させます。想定される評価手順として、予測に依存する前にタスク固有の結果と制約を評価してください。任意で Weights & Biases との統合を使って指標を追跡できます。