[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-AstraZeneca--chemicalx":3,"tool-AstraZeneca--chemicalx":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":10,"env_os":94,"env_gpu":95,"env_ram":96,"env_deps":97,"category_tags":103,"github_topics":104,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":123,"updated_at":124,"faqs":125,"releases":155},2896,"AstraZeneca\u002Fchemicalx","chemicalx","A PyTorch and TorchDrug based deep learning library for drug pair scoring. (KDD 2022)","ChemicalX 是一款基于 PyTorch 和 TorchDrug 构建的深度学习库，专为药物组合评分任务设计。它主要解决计算化学中的核心难题：预测两种药物联合使用时在生物或化学环境下产生的相互作用，包括药物间相互作用、多药治疗的副作用以及协同效应。\n\n该工具非常适合从事医药研发的人工智能工程师、数据科学家及计算生物学研究人员使用。通过集成标准化的数据加载器和基准数据集，ChemicalX 让用户能够轻松复现前沿研究并快速验证新模型。其技术亮点在于提供了多种最先进的深度神经网络架构，既涵盖传统的基于 SMILES 字符串的处理方法，也支持基于神经消息传递的图模型。框架采用“药物编码器 + 预测头”的双层结构设计，能够高效地输入药物对并输出精准的评分结果。作为曾在 KDD 2022 会议上发表的成果，ChemicalX 为探索复杂的多药治疗方案提供了强大且易用的开源支持。","[pypi-image]: https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fchemicalx.svg\n[pypi-url]: https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fchemicalx\n[size-image]: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Frepo-size\u002FAstraZeneca\u002Fchemicalx.svg\n[size-url]: https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Farchive\u002Fmain.zip\n[build-image]: https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fworkflows\u002FCI\u002Fbadge.svg\n[build-url]: https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Factions?query=workflow%3ACI\n[docs-image]: https:\u002F\u002Freadthedocs.org\u002Fprojects\u002Fchemicalx\u002Fbadge\u002F?version=latest\n[docs-url]: https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest\n[coverage-image]: https:\u002F\u002Fcodecov.io\u002Fgh\u002FAstraZeneca\u002Fchemicalx\u002Fbranch\u002Fmain\u002Fgraph\u002Fbadge.svg\n[coverage-url]: https:\u002F\u002Fcodecov.io\u002Fgithub\u002FAstraZeneca\u002Fchemicalx?branch=main\n\n\u003Cp align=\"center\">\n  \u003Cimg width=\"90%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAstraZeneca_chemicalx_readme_49b293c350a3.jpg\" \u002F>\n\u003C\u002Fp>\n\n--------------------------------------------------------------------------------\n\n[![PyPI Version][pypi-image]][pypi-url]\n[![Docs Status][docs-image]][docs-url]\n[![Code Coverage][coverage-image]][coverage-url]\n[![Build Status][build-image]][build-url]\n[![DOI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDOI-10.1145\u002F3534678.3539023-blue.svg)](https:\u002F\u002Fbioregistry.io\u002Fdoi:10.1145\u002F3534678.3539023)\n\n**[Documentation](https:\u002F\u002Fchemicalx.readthedocs.io)** | **[External Resources](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fnotes\u002Fresources.html)** | **[Datasets](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fnotes\u002Fintroduction.html#datasets)** | **[Examples](https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Ftree\u002Fmain\u002Fexamples)** \n\n*ChemicalX* is a deep learning library for drug-drug interaction, polypharmacy side effect, and synergy prediction. The library consists of data loaders and integrated benchmark datasets. It also includes state-of-the-art deep neural network architectures that solve the [drug pair scoring task](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2111.02916v4.pdf). Implemented methods cover traditional SMILES string based techniques and neural message passing based models.\n\n--------------------------------------------------------------------------------\n\n**Citing**\n\n\nIf you find *ChemicalX* and the new datasets useful in your research, please consider adding the following citation:\n\n```bibtex\n@inproceedings{10.1145\u002F3534678.3539023,\n  author = {Rozemberczki, Benedek and Hoyt, Charles Tapley and Gogleva, Anna and Grabowski, Piotr and Karis, Klas and Lamov, Andrej and Nikolov, Andriy and Nilsson, Sebastian and Ughetto, Michael and Wang, Yu and Derr, Tyler and Gyori, Benjamin M.},\n  title = {ChemicalX: A Deep Learning Library for Drug Pair Scoring},\n  year = {2022},\n  isbn = {9781450393850},\n  publisher = {Association for Computing Machinery},\n  address = {New York, NY, USA},\n  url = {https:\u002F\u002Fdoi.org\u002F10.1145\u002F3534678.3539023},\n  doi = {10.1145\u002F3534678.3539023},\n  booktitle = {Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining},\n  pages = {3819–3828},\n  numpages = {10},\n  keywords = {chemistry, neural networks, deep learning},\n  location = {Washington DC, USA},\n  series = {KDD '22}\n}\n```\n--------------------------------------------------------------------------------\n\n**Drug Pair Scoring Explained**\n\nOur framework solves the [drug pair scoring task](https:\u002F\u002Farxiv.org\u002Fabs\u002F2111.02916) of computational chemistry. In this task a machine learning model has to predict the outcome of administering two drugs together in a biological or chemical context. Deep learning models which solve this task have an architecture with two distinctive parts:\n\n1. A drug encoder layer which takes a pair of drugs as an input (blue and red drugs below).\n2. A head layer which outputs scores in the administration context - polypharmacy in our explanatory figure.\n\n\u003Cp align=\"center\">\n  \u003Cimg width=\"90%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAstraZeneca_chemicalx_readme_25aef46227f5.jpg\" \u002F>\n\u003C\u002Fp>\n\n\n**Getting Started**\n\nThe API of `chemicalx` provides a high-level function for training and evaluating models\nthat's heavily influenced by the [PyKEEN](https:\u002F\u002Fgithub.com\u002Fpykeen\u002Fpykeen\u002F)\ntraining and evaluation pipeline:\n\n```python\nfrom chemicalx import pipeline\nfrom chemicalx.models import DeepSynergy\nfrom chemicalx.data import DrugCombDB\n\nmodel = DeepSynergy(context_channels=112, drug_channels=256)\ndataset = DrugCombDB()\n\nresults = pipeline(\n    dataset=dataset,\n    model=model,\n    # Data arguments\n    batch_size=5120,\n    context_features=True,\n    drug_features=True,\n    drug_molecules=False,\n    # Training arguments\n    epochs=100,\n)\n\n# Outputs information about the AUC-ROC, etc. to the console.\nresults.summarize()\n\n# Save the model, losses, evaluation, and other metadata.\nresults.save(\"~\u002Ftest_results\u002F\")\n```\n\n--------------------------------------------------------------------------------\n\n**Case Study Tutorials**\n\nWe provide in-depth case study like tutorials in the [Documentation](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002F), each covers an aspect of ChemicalX’s functionality.\n\n--------------------------------------------------------------------------------\n\n**Methods Included**\n\nIn detail, the following drug pair scoring models were implemented.\n\n**2018**\n\n* **[DeepDDI](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Froot.html#chemicalx.models.deepddi.DeepDDI)** from [Deep Learning Improves Prediction of Drug–Drug and Drug–Food Interactions](https:\u002F\u002Fwww.pnas.org\u002Fcontent\u002F115\u002F18\u002FE4304) (PNAS)\n\n* **[DeepSynergy](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Froot.html#chemicalx.models.deepsynergy.DeepSynergy)** from [DeepSynergy: Predicting Anti-Cancer Drug Synergy with Deep Learning](https:\u002F\u002Facademic.oup.com\u002Fbioinformatics\u002Farticle\u002F34\u002F9\u002F1538\u002F4747884) (Bioinformatics)\n\n**2019**\n\n* **[MR-GNN](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Froot.html#chemicalx.models.mrgnn.MRGNN)** from [MR-GNN: Multi-Resolution and Dual Graph Neural Network for Predicting Structured Entity Interactions](https:\u002F\u002Farxiv.org\u002Fabs\u002F1905.09558) (IJCAI)\n\n* **[MHCADDI](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Froot.html#chemicalx.models.mhcaddi.MHCADDI)** from [Drug-Drug Adverse Effect Prediction with Graph Co-Attention](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1905.00534v1.pdf) (ICML)\n\n**2020**\n\n* **[CASTER](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Froot.html#chemicalx.models.caster.CASTER)** from [CASTER: Predicting Drug Interactions with Chemical Substructure Representation](https:\u002F\u002Farxiv.org\u002Fabs\u002F1911.06446) (AAAI)\n\n* **[SSI-DDI](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Froot.html#chemicalx.models.ssiddi.SSIDDI)** from [SSI–DDI: Substructure–Substructure Interactions for Drug–Drug Interaction Prediction](https:\u002F\u002Facademic.oup.com\u002Fbib\u002Farticle-abstract\u002F22\u002F6\u002Fbbab133\u002F6265181) (Briefings in Bioinformatics)\n\n* **[EPGCN-DS](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Froot.html#chemicalx.models.epgcnds.EPGCNDS)** from [Structure-Based Drug-Drug Interaction Detection via Expressive Graph Convolutional Networks and Deep Sets](https:\u002F\u002Fojs.aaai.org\u002Findex.php\u002FAAAI\u002Farticle\u002Fview\u002F7236) (AAAI)\n\n* **[DeepDrug](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Froot.html#chemicalx.models.deepdrug.DeepDrug)** from [DeepDrug: A General Graph-Based Deep Learning Framework for Drug Relation Prediction](https:\u002F\u002Feuropepmc.org\u002Farticle\u002Fppr\u002Fppr236757) (PMC)\n\n* **[GCN-BMP](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Froot.html#chemicalx.models.gcnbmp.GCNBMP)** from [GCN-BMP: Investigating graph representation learning for DDI prediction task](https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fpii\u002FS1046202320300608) (Methods)\n\n**2021**\n\n* **[DeepDDS](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Froot.html#chemicalx.models.deepdds.DeepDDS)** from [DeepDDS: Deep Graph Neural Network with Attention Mechanism to Predict Synergistic Drug Combinations](https:\u002F\u002Farxiv.org\u002Fabs\u002F2107.02467) (Briefings in Bioinformatics)\n\n* **[MatchMaker](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Froot.html#chemicalx.models.matchmaker.MatchMaker)** from [MatchMaker: A Deep Learning Framework for Drug Synergy Prediction](https:\u002F\u002Fpubmed.ncbi.nlm.nih.gov\u002F34086576\u002F) (ACM TCBB)\n\n--------------------------------------------------------------------------------\n\nHead over to our [documentation](https:\u002F\u002Fchemicalx.readthedocs.io) to find out more about installation, creation of datasets and a full list of implemented methods and available datasets.\nFor a quick start, check out the [examples](https:\u002F\u002Fchemicalx.readthedocs.io) in the `examples\u002F` directory.\n\nIf you notice anything unexpected, please open an [issue](github.com\u002FAstraZeneca\u002Fchemicalx\u002Fissues). If you are missing a specific method, feel free to open a [feature request](https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fissues).\n\n\n--------------------------------------------------------------------------------\n\n**Installation**\n\n**PyTorch 1.10.0**\n\nTo install for PyTorch 1.10.0, simply run\n\n```sh\npip install torch-scatter -f https:\u002F\u002Fpytorch-geometric.com\u002Fwhl\u002Ftorch-1.10.0+${CUDA}.html\npip install torchdrug\npip install chemicalx\n```\n\nwhere `${CUDA}` should be replaced by either `cpu`, `cu102`, or `cu111` depending on your PyTorch installation.\n\n|             | `cpu` | `cu102` | `cu111` |\n|-------------|-------|---------|---------|\n| **Linux**   | ✅    | ✅      | ✅      |\n| **Windows** | ✅    | ✅      | ✅      |\n| **macOS**   | ✅    |         |         |\n\n\n--------------------------------------------------------------------------------\n\n**Running tests**\n\n```\n$ tox -e py\n```\n--------------------------------------------------------------------------------\n\n**License**\n\n- [Apache 2.0 License](https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fblob\u002Fmain\u002FLICENSE)\n","[pypi-image]: https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fchemicalx.svg\n[pypi-url]: https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fchemicalx\n[size-image]: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Frepo-size\u002FAstraZeneca\u002Fchemicalx.svg\n[size-url]: https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Farchive\u002Fmain.zip\n[build-image]: https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fworkflows\u002FCI\u002Fbadge.svg\n[build-url]: https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Factions?query=workflow%3ACI\n[docs-image]: https:\u002F\u002Freadthedocs.org\u002Fprojects\u002Fchemicalx\u002Fbadge\u002F?version=latest\n[docs-url]: https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest\n[coverage-image]: https:\u002F\u002Fcodecov.io\u002Fgh\u002FAstraZeneca\u002Fchemicalx\u002Fbranch\u002Fmain\u002Fgraph\u002Fbadge.svg\n[coverage-url]: https:\u002F\u002Fcodecov.io\u002Fgithub\u002FAstraZeneca\u002Fchemicalx?branch=main\n\n\u003Cp align=\"center\">\n  \u003Cimg width=\"90%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAstraZeneca_chemicalx_readme_49b293c350a3.jpg\" \u002F>\n\u003C\u002Fp>\n\n--------------------------------------------------------------------------------\n\n[![PyPI版本][pypi-image]][pypi-url]\n[![文档状态][docs-image]][docs-url]\n[![代码覆盖率][coverage-image]][coverage-url]\n[![构建状态][build-image]][build-url]\n[![DOI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDOI-10.1145\u002F3534678.3539023-blue.svg)](https:\u002F\u002Fbioregistry.io\u002Fdoi:10.1145\u002F3534678.3539023)\n\n**[文档](https:\u002F\u002Fchemicalx.readthedocs.io)** | **[外部资源](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fnotes\u002Fresources.html)** | **[数据集](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fnotes\u002Fintroduction.html#datasets)** | **[示例](https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Ftree\u002Fmain\u002Fexamples)** \n\n*ChemicalX* 是一个用于药物相互作用、多药联用副作用及协同效应预测的深度学习库。该库包含数据加载器和集成的基准数据集，同时还提供了能够解决 [药物对评分任务](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2111.02916v4.pdf) 的先进深度神经网络架构。实现的方法涵盖了传统的基于 SMILES 字符串的技术以及基于神经消息传递的模型。\n\n--------------------------------------------------------------------------------\n\n**引用**\n\n如果您在研究中发现 *ChemicalX* 和新数据集很有用，请考虑添加以下引用：\n\n```bibtex\n@inproceedings{10.1145\u002F3534678.3539023,\n  author = {Rozemberczki, Benedek and Hoyt, Charles Tapley and Gogleva, Anna and Grabowski, Piotr and Karis, Klas and Lamov, Andrej and Nikolov, Andriy and Nilsson, Sebastian and Ughetto, Michael and Wang, Yu and Derr, Tyler and Gyori, Benjamin M.},\n  title = {ChemicalX: A Deep Learning Library for Drug Pair Scoring},\n  year = {2022},\n  isbn = {9781450393850},\n  publisher = {Association for Computing Machinery},\n  address = {New York, NY, USA},\n  url = {https:\u002F\u002Fdoi.org\u002F10.1145\u002F3534678.3539023},\n  doi = {10.1145\u002F3534678.3539023},\n  booktitle = {Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining},\n  pages = {3819–3828},\n  numpages = {10},\n  keywords = {chemistry, neural networks, deep learning},\n  location = {Washington DC, USA},\n  series = {KDD '22}\n}\n```\n--------------------------------------------------------------------------------\n\n**药物对评分详解**\n\n我们的框架解决了计算化学中的 [药物对评分任务](https:\u002F\u002Farxiv.org\u002Fabs\u002F2111.02916)。在这个任务中，机器学习模型需要预测在生物或化学环境中同时使用两种药物时的结果。解决这一任务的深度学习模型通常具有两个显著的部分：\n\n1. 药物编码层，它以一对药物作为输入（下图中的蓝色和红色药物）。\n2. 输出层，在给定的用药情境下输出评分——在我们的示意图中是多药联用的情境。\n\n\u003Cp align=\"center\">\n  \u003Cimg width=\"90%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAstraZeneca_chemicalx_readme_25aef46227f5.jpg\" \u002F>\n\u003C\u002Fp>\n\n\n**快速入门**\n\n`chemicalx` 的 API 提供了一个高级函数，用于训练和评估模型，其设计深受 [PyKEEN](https:\u002F\u002Fgithub.com\u002Fpykeen\u002Fpykeen\u002F) 训练与评估流程的影响：\n\n```python\nfrom chemicalx import pipeline\nfrom chemicalx.models import DeepSynergy\nfrom chemicalx.data import DrugCombDB\n\nmodel = DeepSynergy(context_channels=112, drug_channels=256)\ndataset = DrugCombDB()\n\nresults = pipeline(\n    dataset=dataset,\n    model=model,\n    # 数据参数\n    batch_size=5120,\n    context_features=True,\n    drug_features=True,\n    drug_molecules=False,\n    # 训练参数\n    epochs=100,\n)\n\n# 将 AUC-ROC 等信息输出到控制台。\nresults.summarize()\n\n# 保存模型、损失、评估结果及其他元数据。\nresults.save(\"~\u002Ftest_results\u002F\")\n```\n\n--------------------------------------------------------------------------------\n\n**案例研究教程**\n\n我们在[文档](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002F)中提供了深入的案例研究类教程，每篇都涵盖了 ChemicalX 功能的一个方面。\n\n--------------------------------------------------------------------------------\n\n**包含的方法**\n\n具体来说，实现了以下药物对评分模型。\n\n**2018年**\n\n* **[DeepDDI](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Froot.html#chemicalx.models.deepddi.DeepDDI)** 来自论文《深度学习提升药物-药物及药物-食物相互作用的预测》（PNAS）\n\n* **[DeepSynergy](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Froot.html#chemicalx.models.deepsynergy.DeepSynergy)** 来自论文《DeepSynergy：利用深度学习预测抗癌药物协同作用》（Bioinformatics）\n\n**2019年**\n\n* **[MR-GNN](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Froot.html#chemicalx.models.mrgnn.MRGNN)** 来自论文《MR-GNN：用于预测结构化实体交互的多分辨率与双图神经网络》（IJCAI）\n\n* **[MHCADDI](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Froot.html#chemicalx.models.mhcaddi.MHCADDI)** 来自论文《基于图联合注意力的药物-药物不良反应预测》（ICML）\n\n**2020年**\n\n* **[CASTER](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Froot.html#chemicalx.models.caster.CASTER)** 来自论文《CASTER：基于化学子结构表示的药物相互作用预测》（AAAI）\n\n* **[SSI-DDI](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Froot.html#chemicalx.models.ssiddi.SSIDDI)** 来自论文《SSI–DDI：用于药物-药物相互作用预测的子结构-子结构交互》（Briefings in Bioinformatics）\n\n* **[EPGCN-DS](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Froot.html#chemicalx.models.epgcnds.EPGCNDS)** 来自论文《基于表达式图卷积网络和 Deep Sets 的结构化药物-药物相互作用检测》（AAAI）\n\n* **[DeepDrug](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Froot.html#chemicalx.models.deepdrug.DeepDrug)** 来自论文《DeepDrug：一种通用的基于图的深度学习框架，用于药物关系预测》（PMC）\n\n* **[GCN-BMP](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Froot.html#chemicalx.models.gcnbmp.GCNBMP)** 来自论文《GCN-BMP：探究图表示学习在 DDI 预测任务中的应用》（Methods）\n\n**2021年**\n\n* **[DeepDDS](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Froot.html#chemicalx.models.deepdds.DeepDDS)** 来自论文《DeepDDS：带有注意力机制的深度图神经网络，用于预测协同药物组合》（Briefings in Bioinformatics）\n\n* **[MatchMaker](https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Froot.html#chemicalx.models.matchmaker.MatchMaker)** 来自论文《MatchMaker：一种用于药物协同作用预测的深度学习框架》（ACM TCBB）\n\n--------------------------------------------------------------------------------\n\n请前往我们的[文档](https:\u002F\u002Fchemicalx.readthedocs.io)了解更多关于安装、数据集创建以及已实现方法和可用数据集的完整列表。若想快速入门，可查看 `examples\u002F` 目录下的[示例](https:\u002F\u002Fchemicalx.readthedocs.io)。\n\n如果您发现任何异常情况，请提交一个[问题](github.com\u002FAstraZeneca\u002Fchemicalx\u002Fissues)。如果您希望添加特定方法，也欢迎提出[功能请求](https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fissues)。\n\n\n--------------------------------------------------------------------------------\n\n**安装**\n\n**PyTorch 1.10.0**\n\n要为 PyTorch 1.10.0 安装，只需运行以下命令：\n\n```sh\npip install torch-scatter -f https:\u002F\u002Fpytorch-geometric.com\u002Fwhl\u002Ftorch-1.10.0+${CUDA}.html\npip install torchdrug\npip install chemicalx\n```\n\n其中 `${CUDA}` 应根据您的 PyTorch 安装情况替换为 `cpu`、`cu102` 或 `cu111`。\n\n|             | `cpu` | `cu102` | `cu111` |\n|-------------|-------|---------|---------|\n| **Linux**   | ✅    | ✅      | ✅      |\n| **Windows** | ✅    | ✅      | ✅      |\n| **macOS**   | ✅    |         |         |\n\n\n--------------------------------------------------------------------------------\n\n**运行测试**\n\n```\n$ tox -e py\n```\n--------------------------------------------------------------------------------\n\n**许可证**\n\n- [Apache 2.0 许可证](https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fblob\u002Fmain\u002FLICENSE)","# ChemicalX 快速上手指南\n\nChemicalX 是一个专为药物相互作用、多药副作用及协同效应预测设计的深度学习库。它集成了多种前沿的深度神经网络架构（如 DeepSynergy、DeepDDI 等），支持基于 SMILES 字符串和神经消息传递的模型，旨在解决计算化学中的“药物对评分”任务。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, Windows, 或 macOS\n*   **Python 版本**：建议 Python 3.7+\n*   **核心依赖**：PyTorch 1.10.0\n*   **CUDA 支持**（可选）：若需使用 GPU 加速，请根据显卡驱动安装对应的 CUDA 版本（支持 cu102, cu111 或 CPU 模式）。\n\n> **注意**：macOS 用户仅支持 CPU 模式运行。\n\n## 安装步骤\n\n推荐使用 `pip` 进行安装。请根据您的 PyTorch 环境选择对应的命令。\n\n### 1. 安装基础依赖\n首先安装 `torch-scatter` 和 `torchdrug`。请将命令中的 `${CUDA}` 替换为您的实际环境标识：\n*   `cpu`：纯 CPU 环境\n*   `cu102`：CUDA 10.2\n*   `cu111`：CUDA 11.1\n\n```sh\npip install torch-scatter -f https:\u002F\u002Fpytorch-geometric.com\u002Fwhl\u002Ftorch-1.10.0+${CUDA}.html\npip install torchdrug\n```\n\n*(国内用户如遇下载缓慢，可添加 `-i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple` 使用清华镜像源)*\n\n### 2. 安装 ChemicalX\n依赖安装完成后，执行以下命令安装主库：\n\n```sh\npip install chemicalx\n```\n\n## 基本使用\n\nChemicalX 提供了类似 PyKEEN 的高级 `pipeline` 接口，可一键完成数据加载、模型训练与评估。以下是一个使用 **DeepSynergy** 模型在 **DrugCombDB** 数据集上进行训练的最小化示例：\n\n```python\nfrom chemicalx import pipeline\nfrom chemicalx.models import DeepSynergy\nfrom chemicalx.data import DrugCombDB\n\n# 初始化模型\n# context_channels: 上下文特征维度，drug_channels: 药物特征维度\nmodel = DeepSynergy(context_channels=112, drug_channels=256)\n\n# 加载内置数据集\ndataset = DrugCombDB()\n\n# 启动训练流水线\nresults = pipeline(\n    dataset=dataset,\n    model=model,\n    # 数据参数\n    batch_size=5120,\n    context_features=True,   # 启用上下文特征\n    drug_features=True,      # 启用药物特征\n    drug_molecules=False,    # 是否使用分子图结构\n    # 训练参数\n    epochs=100,\n)\n\n# 在控制台输出评估指标（如 AUC-ROC）\nresults.summarize()\n\n# 保存模型、损失曲线、评估结果及元数据\nresults.save(\"~\u002Ftest_results\u002F\")\n```\n\n运行上述代码后，系统将自动下载数据集（首次运行）、训练模型并输出性能报告。更多模型（如 DeepDDI, CASTER, MatchMaker 等）只需替换 `chemicalx.models` 中的类名即可使用。","某制药公司的 AI 研发团队正致力于预测两种药物联合使用时可能引发的严重副作用（多药副作用），以加速临床前安全性评估。\n\n### 没有 chemicalx 时\n- **数据预处理繁琐**：研究人员需手动编写脚本解析复杂的 SMILES 分子字符串，并自行构建药物对的图结构数据，耗时且易出错。\n- **模型复现困难**：缺乏统一的基准框架，复现论文中的先进深度学习架构（如神经消息传递模型）需要从头搭建，开发周期长达数周。\n- **评估标准不一**：团队内部使用不同的数据集划分和评估指标，导致实验结果难以横向对比，无法准确判断模型优劣。\n- **扩展性差**：若要尝试新的编码器组合或调整头部网络，往往需要大幅重构代码，限制了快速迭代实验的能力。\n\n### 使用 chemicalx 后\n- **一键加载数据**：直接调用内置的数据加载器，自动处理药物对的特征工程与图数据构建，将数据准备时间从几天缩短至几分钟。\n- **开箱即用的模型**：利用集成的 SOTA 深度神经网络架构，仅需几行代码即可训练和评估药物配对评分模型，大幅降低研发门槛。\n- **标准化基准测试**：依托内置的权威基准数据集和统一评估流程，团队能快速验证新算法效果，确保结果具有可比性和说服力。\n- **灵活模块化设计**：通过简单的 API 即可自由替换药物编码器或调整预测头，支持研究人员高效探索多种模型变体，加速创新落地。\n\nchemicalx 通过提供标准化的数据、模型与评估流程，将药物配对预测的研发重心从“重复造轮子”转移到了核心的算法创新与业务洞察上。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAstraZeneca_chemicalx_d884ee13.png","AstraZeneca","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FAstraZeneca_21b93e57.png","Data and AI: Unlocking new science insights",null,"https:\u002F\u002Fwww.astrazeneca.com\u002F","https:\u002F\u002Fgithub.com\u002FAstraZeneca",[82,86],{"name":83,"color":84,"percentage":85},"Python","#3572A5",99.9,{"name":87,"color":88,"percentage":89},"Shell","#89e051",0.1,773,101,"2026-03-15T22:28:00","Apache-2.0","Linux, Windows, macOS","可选。支持 CUDA 10.2 (cu102) 或 CUDA 11.1 (cu111)；macOS 仅支持 CPU 模式。","未说明",{"notes":98,"python":96,"dependencies":99},"安装时需根据 PyTorch 环境替换命令中的 ${CUDA} 变量（可选值：cpu, cu102, cu111）。macOS 用户无法使用 GPU 加速版本。该库主要用于药物相互作用、多药副作用及协同效应预测，内置多种深度学习模型架构。",[100,101,102,67],"torch==1.10.0","torch-scatter","torchdrug",[13],[105,106,107,108,109,110,111,112,113,114,115,116,117,118,119,120,121,122,102],"deep-learning","pytorch","deep-chemistry","graph-neural-network","drug","drug-pair","polypharmacy","drug-discovery","pharma","drug-interaction","chemistry","biology","machine-learning","torch","geometric-deep-learning","geometry","smiles","smiles-strings","2026-03-27T02:49:30.150509","2026-04-06T08:40:08.188283",[126,131,136,140,145,150],{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},13389,"如何在贡献新模型时确保代码符合项目规范？","首先阅读相关论文和贡献指南。ChemicalX 基于 PyTorch 1.10 和 torchdrug 构建，分子批次数据为 PackedGraphs。请遵循以下步骤：1. 在 `.\u002Fchemicalx\u002Fmodels\u002F` 下创建模型类；2. 确保上下文特征、药物特征和标签均为 FloatTensors；3. 为初始化和前向传播添加类型提示；4. 为非数据依赖的超参数设置默认值；5. 在 `.\u002Ftests\u002F` 中添加使用真实数据的测试；6. 在 `.\u002Fexamples\u002F` 中编写示例并报告测试集 AUC；7. 如有辅助层需文档化并更新 README。","https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fissues\u002F2",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},13390,"实现新模型时应该直接使用 torchdrug 的模型还是仅使用其层？","应该仅使用 torchdrug 提供的层（layers），而不是直接复用其完整模型。例如在实现类似 EPGCNDS 的模型时，应调用 `GraphConvolutions` 等底层组件来生成药物表示，具体可参考现有模型定义（如 `chemicalx\u002Fmodels\u002Fepgcnds.py`）。库的核心设计是基于 torchdrug 的底层组件构建自定义模型。","https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fissues\u002F11",{"id":137,"question_zh":138,"answer_zh":139,"source_url":135},13391,"当前管道是否支持 GPU 训练以加速测试？","是的，当前管道支持 GPU 训练。如果在测试实现时发现 CPU 训练耗时过长，可以直接修改代码使用 GPU 进行训练验证。用户可以通过 `torch.cuda.get_device_name(torch.cuda.current_device())` 确认设备状态，并确保数据正确移动到 GPU 上运行。",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},13392,"运行 DeepDDS 示例时遇到 'KeyError: node_feature' 错误如何解决？","该错误通常源于 torchdrug 版本兼容性或数据结构变更。维护者指出这可能意味着需要完全脱离对 `torchdrug` 的依赖。临时解决方案包括：1. 检查安装的 chemicalx 版本是否为最新（如 0.10）；2. 确认输入数据字典中确实包含 `node_feature` 键；3. 如果问题持续，建议查看是否有更新的补丁或考虑暂时不使用依赖 torchdrug 的模型（如 DeepDDS），转而使用其他稳定模型（如 DeepSynergy）进行测试。","https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fissues\u002F100",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},13393,"官方教程代码无法运行且缺乏 Jupyter Notebook 资源怎么办？","维护者已收到反馈并修复了教程中的代码问题。关于 Jupyter Notebook，虽然当时尚未正式发布，但团队正在准备中。建议用户先查阅已修复的在线教程文档（https:\u002F\u002Fchemicalx.readthedocs.io\u002Fen\u002Flatest\u002Fnotes\u002Ftutorial.html），并关注仓库更新以获取最新的 Notebook 示例。","https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fissues\u002F90",{"id":151,"question_zh":152,"answer_zh":153,"source_url":154},13394,"如何判断新实现的模型性能是否合理？","在 `.\u002Fexamples\u002F` 目录下编写示例脚本，使用真实数据集运行模型，并计算测试集上的 AUC（曲线下面积）指标。将得到的 AUC 值与论文中报告的结果或类似基线模型的表现进行对比。如果数值在合理范围内（通常接近论文报告值），则说明实现基本正确；若差异巨大，需检查数据处理、模型结构或超参数设置。","https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fissues\u002F19",[156,161,166,171,176,181,186,191,196,201],{"id":157,"version":158,"summary_zh":159,"released_at":160},72105,"v0.1.0","## 🚀 变更内容\n\n### 模型\n\n* 由 @andrejlamov 实现 MatchMaker，详见 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F67\n* 由 @mughetto 实现 GCN-BMP，详见 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F71\n* 由 @kajocina 实现 DeepDrug，详见 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F68\n* 由 @hzcheney 实现 DeepDDI，详见 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F63\n* 由 @andriy-nikolov 实现 CASTER，详见 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F73\n* 由 @sebastiandro 实现 MHCADDI，详见 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F74\n* 由 @kkaris 实现 DeepDDS，详见 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F53\n* 由 @YuWVandy 实现 SSIDDI，详见 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F77\n* 由 @benedekrozemberczki 实现 DeepDDS 和 CASTER 的默认配置，并修复 DeepDDS 的 Softmax Bug，详见 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F81\n* 由 @benedekrozemberczki 实现 MRGNN，详见 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F82\n* 由 @cthoyt 简化现有模型，详见 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F69\n* 由 @cthoyt 清理模型并提供抽象层，详见 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F83\n\n### 💾 数据清洗\n\n* 由 @cthoyt 清理 DrugBank 和 TWOSIDES 数据导入器，详见 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F57\n* 由 @cthoyt 添加额外数据集，详见 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F61\n\n### 🤖 设计\n\n* 由 @cthoyt 提供数据集加载器的基类，详见 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F59\n* 由 @benedekrozemberczki 将 BatchGenerator 移回 data 命名空间，详见 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F80\n\n### 🏠 日常维护\n\n* 由 @benedekrozemberczki 更新 Black 格式一致性，详见 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F66\n* 由 @cthoyt 移除已通过 CI 自动化的复选框，详见 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F64\n* 由 @cthoyt 使用 `darglint` 统一文档风格，详见 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F70\n* 由 @cthoyt 更新引用并增加测试，详见 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F72\n* 由 @benedekrozemberczki 进行新版本更新、修改引用并修正论文参考文献，详见 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F85\n\n## 新贡献者\n* @andrejlamov 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F67 中完成了首次贡献\n* @kajocina 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F68 中完成了首次贡献\n* @mughetto 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F71 中完成了首次贡献\n* @hzcheney 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F63 中完成了首次贡献\n* @andriy-nikolov 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F73 中完成了首次贡献\n* @kkaris 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F53 中完成了首次贡献\n* @YuWVandy 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F77 中完成了首次贡献\n* @sebastiandro 完成了首次贡","2022-02-09T20:38:39",{"id":162,"version":163,"summary_zh":164,"released_at":165},72106,"v0.0.9","## 变更内容\n* 由 @cthoyt 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F26 中重新启用 flake8 检查\n* 由 @benedekrozemberczki 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F31 中移除循环导入\n* 由 @cthoyt 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F33 中清理测试配置\n* 由 @cthoyt 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F35 中添加更多 flake8 检查\n* 由 @benedekrozemberczki 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F36 中移除 DPDDI 和 AUDNNSynergy\n* 由 @cthoyt 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F38 中更新文档构建\n* 由 @cthoyt 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F32 中添加统一的训练与评估流水线\n* 由 @benedekrozemberczki 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F39 中修复 Read the Docs 部署问题\n* 由 @benedekrozemberczki 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F40 中添加默认的 Read the Docs 路径\n* 由 @benedekrozemberczki 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F41 中添加 autodoc 提示\n* 由 @benedekrozemberczki 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F43 中移除 DeepCCI 并调整输出通道参数\n* 由 @cthoyt 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F44 中更新 CI\n* 由 @benedekrozemberczki 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F45 中更新 README 中的 Python 代码注释，并移除 DeepCCI\n* 由 @cthoyt 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F46 中添加额外的模型测试\n* 由 @benedekrozemberczki 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F48 中添加 DrugBank DDI 和 Two Sides 数据集\n* 由 @benedekrozemberczki 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F51 中修复 DDI 和 TwoSides 的单元测试\n* 由 @cthoyt 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F52 中公开数据集属性\n* 由 @cthoyt 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F54 中重新组织批处理逻辑\n* 由 @cthoyt 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F55 中清理特征集和标签标志\n* 由 @benedekrozemberczki 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F56 中发布 ChemicalX 0.0.9 版本\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fcompare\u002Fv0.0.8...v0.0.9","2022-01-21T10:19:00",{"id":167,"version":168,"summary_zh":169,"released_at":170},72107,"v0.0.8","## 变更内容\n\n* 在数据集加载器类周围添加了数据集解析器，由 cthoyt 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F24 中实现。\n* DeepSynergy 和 EPGCN-DS，由 benedekrozemberczki 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F27 中实现。\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fcompare\u002Fv0.0.7...v0.0.8","2022-01-14T10:10:29",{"id":172,"version":173,"summary_zh":174,"released_at":175},72108,"v0.0.7","- 上下文特征集将特征向量存储为 torch.FloatTensor 类型的张量。- 药物特征集将特征向量存储为 torch.FloatTensor 类型的张量。","2022-01-13T09:06:24",{"id":177,"version":178,"summary_zh":179,"released_at":180},72109,"v0.0.6","## 变更内容\n* 添加基础模型，并由 @cthoyt 实现模型类解析\n* 批量生成器\n* 批量类\n\n## 新贡献者\n* @cthoyt 在 https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fpull\u002F18 中完成了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fchemicalx\u002Fcompare\u002Fv0.0.5...v0.0.6","2022-01-12T17:13:39",{"id":182,"version":183,"summary_zh":184,"released_at":185},72110,"v0.0.5","- 新增 DrugComb 和 DrugCombDB 的数据加载器 👾 🤖 🎃\n- 药物特征集，用于存储特征 👾 🤖 🎃\n- 标注三元组 👾 🤖 🎃","2022-01-11T18:01:16",{"id":187,"version":188,"summary_zh":189,"released_at":190},72111,"v0.0.4","- 集成 DrugCombDB 🧬 💊\n- 集成药物组合 🧬 💊\n- 使用类方法定义 ContextFeatureSets 🧬 💊\n- 为 ContextFeatureSets 添加测试 🧬 💊","2022-01-10T17:29:13",{"id":192,"version":193,"summary_zh":194,"released_at":195},72112,"v_00003","- 为数据结构和数据集添加单元测试 🎄🎅\r\n- 为数据结构和数据集添加文档 🎄🎅","2021-12-23T10:13:20",{"id":197,"version":198,"summary_zh":199,"released_at":200},72113,"v_00002","创建了以下命名空间：\n\n- 集成基准数据集。\n- 主要数据结构。\n\n- 安装指南。\n- 文档。","2021-12-20T14:35:37",{"id":202,"version":203,"summary_zh":204,"released_at":205},72114,"v_00001","一个基于PyTorch的深度学习库，用于药物相互作用、多药联用副作用及协同效应的预测。","2021-12-15T18:54:19"]