分子性质预测

PyTorch Geometric（PyG）是通用图神经网络库；官方 QM9 示例提供了分子性质学习的明确化学应用路径。

分子性质预测

DGL-LifeSci 是基于 DGL 和 PyTorch 的化学与生物图神经网络工具包，提供分子建模组件与示例。

分子性质预测

DrugAgent 是一个研究型多智能体框架，它结合 LLM 规划与领域指导的代码生成，用于构建和评估药物发现领域的机器学习工作流。

分子性质预测 · 药物发现

ChemML 是一套用于化学与材料数据分析、挖掘和建模的 Python 工具，采用模块化设计，并有关于图神经网络、AutoML 和可解释性的工作记录。

分子性质预测 · 材料发现

DeepMol 是一个用于分子机器学习的 Python 工具包，可将化合物标准化和特征化与模型训练、评估、解释及可复用工作流连接起来。

分子性质预测

QML 是一个已归档的 Python 量子机器学习工具包，包含由 Fortran 支持的表示、核函数和求解器模块。后续开发已转移至 qmllib。

分子性质预测 · 量子化学

DScribe 是一个 Python 库，可将原子结构转换为数值描述符，用于机器学习、可视化和相似性分析，并支持批处理和原子位置导数。

分子性质预测 · 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

Mordred 是一款 Python 分子描述符计算器，支持命令行和基于 RDKit 的库工作流，可生成用于化学信息学分析和下游模型评估的描述符表。

分子性质预测 · 化学信息学

Molfeat 是一款用于小分子特征化的 Python 工具包，将分子指纹、描述符和预训练嵌入与并行转换、缓存及可扩展插件相结合。

分子性质预测 · 化学信息学

TorchDrug 是一个基于 PyTorch 的图与分子机器学习工具包，支持 SMILES 输入、图操作、性质预测构建模块以及多 CPU/GPU 执行。

分子性质预测 · 药物发现

Therapeutics Data Commons 提供治疗领域的机器学习数据集、Python 加载器、数据划分、评估指标和基准测试，供预测与分子生成研究使用。

分子性质预测 · 药物发现

ChemBERTa 提供用于化学 SMILES 的类 BERT 模型，包括采用 RoBERTa 掩码语言建模的检查点，以及用于预训练、微调和分子性质预测研究的笔记本。

分子性质预测

GraphMVP 是一种分子表示学习研究实现，在预训练期间结合 2D 拓扑和 3D 几何信息，随后在下游分类和回归任务中使用 2D 图。

分子性质预测

GROVER 提供预训练分子图 Transformer，以及用于自监督预训练、性质预测微调、推理、评估和分子指纹生成的 PyTorch 工作流。

分子性质预测

MolCLR 是一个分子对比学习框架，可在未标注分子上对图神经网络进行预训练，并支持针对下游分子性质预测进行微调。

分子性质预测

Uni-Mol 是一个 3D 分子表征学习框架，包含分子和蛋白质口袋模型，并配有用于性质预测、构象建模和分子对接的相关工具。

分子性质预测 · 分子生成

GemNet 是一个 PyTorch 参考实现，用于通过几何消息传递模型预测分子能量和原子受力，并提供训练、基于 ASE 的预测和分子动力学笔记本。

分子性质预测 · 计算化学

DimeNet 提供 DimeNet 和 DimeNet++ 的参考实现，用于分子图上的方向性消息传递，并包含训练笔记本、测试集预测工作流和预训练模型。

分子性质预测 · 量子化学

SpookyNet 是一个 Python 研究软件包，据描述可学习包含电子自由度和非局域效应的力场；该项目附有一篇引用论文，且仓库代码采用 MIT 许可证。

分子性质预测 · 量子化学