模型

此 ESM 条目指 Meta FAIR 的蛋白质语言模型仓库，包含 ESM-2 表征提取及 ESMFold 结构预测等实现。

ProteinMPNN 根据给定蛋白质骨架设计氨基酸序列，提供完整骨架与仅 Cα 输入的模型及运行脚本。

RFdiffusion 是用于蛋白质骨架生成的扩散模型项目，支持无条件生成、结构基序约束和结合蛋白设计。

分子生成

OpenFold 是 AlphaFold 2 的可训练 PyTorch 实现，提供蛋白质结构预测的训练与推理流程。

Boltz 是生物分子相互作用预测模型家族；Boltz-2 提供复合物结构与结合亲和力预测流程。

药物发现

SevenNet 是基于图神经网络的原子间势软件，提供预训练模型、微调接口以及 ASE 和 LAMMPS 模拟集成。

计算化学

MS2DeepScore 使用 Siamese 神经网络，根据成对的串联质谱预测分子结构相似性，并提供用于生成谱图嵌入、推理和自定义模型训练的工具。

光谱学

Spec2Vec 是一个用于 MS/MS 光谱相似度评分的 Python 包。它利用从质谱碎片和中性丢失中学习到的 Word2Vec 嵌入来比较查询光谱与参考光谱。

光谱学

DeePKS-kit 是一个 Python 工具包，用于训练量子化学能量泛函、测试后 Hartree–Fock（post-HF）模型，并通过 DeePHF 和 DeePKS 方案执行自洽计算。

量子化学

DeePTB 是一个用于深度学习电子结构模型的 Python 包，将依赖环境的紧束缚方法与等变哈密顿量、密度矩阵和重叠矩阵表示相结合。

量子化学 · 材料发现

CGCNN 实现了晶体图卷积神经网络，可根据晶体结构学习材料性质，并支持使用自定义数据训练模型以及使用预训练模型进行预测。

材料发现

CrabNet 实现了一种基于注意力机制的模型，仅根据材料组成预测材料性质，并附有基本使用和模型可解释性指南。

材料发现

ALIGNN 提供用于材料性质预测的原子图神经网络，并包含训练工作流、预训练预测器和用于结构优化的 ALIGNN-FF 力场。

材料发现

M3GNet 是一个已归档的材料图神经网络实现，包含三体相互作用、预训练原子间势，以及用于晶体弛豫、分子动力学和模型训练的工作流。

计算化学 · 材料发现

CHGNet 是一种针对晶体结构的预训练、融合电荷信息的神经网络势，可预测能量、力、应力和磁矩，用于结构弛豫与分子动力学工作流。

计算化学 · 材料发现

MEGNet 是一个已弃用的 TensorFlow 图网络实现，包含预训练的分子和晶体性质模型、训练工具，以及可迁移的元素嵌入。

分子性质预测 · 材料发现

MODNet 是一个 Python 框架，可根据材料组成或晶体结构进行监督式材料性质预测，支持多个目标的联合学习，并提供两种有文档说明的预训练模型。

材料发现

面向催化的原子级建模工作流，基于 fairchem 使用预训练 UMA 模型和 ASE 计算器进行表面弛豫、能量预测和分子动力学模拟。

材料发现

REINVENT 是一个 Python 分子设计工具包，利用生成模型、强化学习和迁移学习，按需生成和优化小分子。

分子生成 · 药物发现

RetroXpert 是一种两阶段逆合成研究实现：先预测产物的键断裂，再使用基于 OpenNMT 的模型从合成子生成反应物。

逆合成