#药物发现

DeepChem是一个高质量的开源工具链，致力于推动深度学习在药物发现、材料科学、量子化学和生物学中的应用。支持Python 3.7至3.10，兼容TensorFlow、PyTorch、JAX等框架。用户可通过pip或conda安装，或使用Docker镜像。项目包含丰富的教程和实例，适合从新手到专家。社区活跃，提供Discord和讨论论坛，欢迎科学家、开发者和爱好者的参与。

Graphormer是一个深度学习包，用于加速分子科学中的AI研究和应用，如材料发现和药物发现。它支持PyG、DGL、OGB和OCP的数据接口，并采用fairseq框架。提供PCQM4M和PCQM4Mv2的预训练模型，特别适合大规模分子建模任务。优化的预训练版本可在Azure Quantum Elements上使用。

MISATO是一个专为结构化药物发现设计的机器学习数据集，包含高质量的蛋白质-配体复合物数据。数据集涵盖了19000多个配体的量子力学计算结果和16000多个蛋白质-配体结构的分子动力学模拟。MISATO旨在提高配体分子精确度、合理表示系统动力学，并促进创新AI药物发现模型的开发。研究人员可免费下载MISATO数据集，使用提供的PyTorch数据加载器进行AI训练和预测。

Therapeutics Data Commons (TDC) 是一个开源的人工智能平台，旨在促进药物发现和开发领域的技术创新。该平台提供多样化的AI任务、数据集和基准测试，覆盖从靶点识别到药物安全评估的全过程。TDC为研究人员提供便捷的数据加载工具和高效的数据处理功能，同时建立了透明的评估体系。这一开放科学倡议正在推动人工智能在治疗科学中的应用和验证，重塑药物研发流程。