# DeepChem

官网 | 文档 | Colab 教程 | 讨论论坛 | Discord | 模型愿望清单 | 教程愿望清单

DeepChem 致力于提供一套高质量的开源工具链，以促进深度学习在药物发现、材料科学、量子化学和生物学领域的普及应用。

目录：

• 要求
• 安装
  • 稳定版本
  • 每日构建版本
  • Docker
  • 从源码安装
  • 轻量级源码安装
• 入门
  • Discord
• 关于我们
• 贡献 DeepChem
• 引用 DeepChem

要求

DeepChem 目前支持 Python 3.7 到 3.10，并且在任何情况下都需要以下软件包：

• joblib
• NumPy
• pandas
• scikit-learn
• SciPy
• rdkit

软性要求

DeepChem 还有一些“软性”要求。如果您遇到类似 ImportError: This class requires XXXX 的错误，可能需要安装某些额外的软件包。

请参阅 文档 了解详细的软性要求。

安装

稳定版本

DeepChem 的稳定版本可以通过 pip 或 conda 安装，命令如下：

pip install deepchem

或

conda install -c conda-forge deepchem

DeepChem 支持 TensorFlow、PyTorch 和 JAX，每种框架都需要单独安装。

如果要使用依赖 TensorFlow 的模型，可以运行：

pip install deepchem[tensorflow]

如果要使用依赖 PyTorch 的模型，可以运行：

pip install deepchem[torch]

如果要使用依赖 JAX 的模型，可以运行：

pip install deepchem[jax]

如果需要 GPU 支持，请确保已安装 CUDA，并在安装 DeepChem 之前通过以下链接安装所需的深度学习框架：

1. TensorFlow：只需安装 CUDA。
2. PyTorch：https://pytorch.org/get-started/locally/#start-locally
3. JAX：https://github.com/google/jax#pip-installation-gpu-cuda

在 zsh 中，方括号用于通配符匹配。这意味着您需要对上述安装命令中的方括号进行转义。可以通过将依赖项用引号括起来来实现，例如：

pip install --pre 'deepchem[jax]'

每日构建版本

每日构建版本基于 DeepChem 的最新代码库。可以通过以下命令安装：

pip install --pre deepchem

Docker

如果您希望通过 Docker 安装 DeepChem，可以拉取两种镜像。Docker Hub 地址：https://hub.docker.com/repository/docker/deepchemio/deepchem

• deepchemio/deepchem:x.x.x
  • 使用 Conda 构建的镜像（x.x.x 是 DeepChem 的版本号）。
  • 当我们推送 x.x.x 标签时，会构建对应的镜像。
  • Dockerfile 位于 docker/tag 目录下。
• deepchemio/deepchem:latest
  • 基于源代码构建的镜像。
  • 每次向 master 分支提交代码时，都会构建最新的镜像。
  • Dockerfile 位于 docker/nightly 目录下。

您可以这样拉取镜像：

docker pull deepchemio/deepchem:2.4.0

如需了解更多关于 DeepChem 与 Docker 的详细用法，请参阅 文档。

从源码安装

如果您希望一次性安装所有软性依赖，或者计划为 DeepChem 做出贡献，建议您从源码安装 DeepChem。

请参阅 此介绍。

入门

DeepChem 项目维护着一个丰富的 教程集。所有教程都设计为可在 Google Colab 上运行（当然也可以选择本地运行）。这些教程按照推荐的学习顺序排列，可以帮助您从初学者逐步成长为分子机器学习和计算生物学领域的专家。

完成教程后，您还可以浏览其他 示例。要将 deepchem 应用于新问题，可以从现有的示例或教程入手，逐步修改以适应您的具体需求。如有任何疑问或意见，欢迎在我们的 gitter 上提出。

支持的集成

• Weights & Biases：跟踪您的 DeepChem 模型训练和评估指标。

Discord

DeepChem 的 Discord 社区汇聚了众多对生命科学领域深度学习感兴趣的科学家、开发者和爱好者。这里也是提出简单问题或请求新功能的最佳场所之一。

关于我们

DeepChem 由一支开源贡献者团队管理。任何人都可以自由加入并参与贡献！

引用 DeepChem

如果您在研究工作中使用了 DeepChem，我们恳请您引用 DeepChem 核心团队撰写的《生命科学中的深度学习》一书。

引用该书时，请使用以下 BibTeX 条目：

@book{Ramsundar-et-al-2019,
    title={Deep Learning for the Life Sciences},
    author={Bharath Ramsundar and Peter Eastman and Patrick Walters and Vijay Pande and Karl Leswing and Zhenqin Wu},
    publisher={O'Reilly Media},
    note={\url{https://www.amazon.com/Deep-Learning-Life-Sciences-Microscopy/dp/1492039837}},
    year={2019}
}

DeepChem 快速上手指南

DeepChem 是一个高质量的开源工具链，旨在降低深度学习在药物发现、材料科学、量子化学和生物学领域的使用门槛。

环境准备

系统要求

• Python 版本：支持 Python 3.7 至 3.10。
• 操作系统：Linux, macOS, Windows (推荐 Linux 以获得最佳兼容性)。

前置依赖

安装 DeepChem 前，请确保系统已具备以下基础库（通常通过安装命令自动解决）：

• joblib
• NumPy
• pandas
• scikit-learn
• SciPy
• rdkit (化学信息学核心库)

注意：若需使用特定深度学习框架（TensorFlow, PyTorch, JAX），请参考下方安装步骤中的额外选项。如需 GPU 加速，请预先安装对应的 CUDA 驱动及框架版本。

安装步骤

您可以选择 pip 或 conda 进行安装。国内用户建议使用清华或阿里镜像源以加速下载。

1. 稳定版安装 (Stable Version)

使用 pip 安装：

# 基础安装
pip install deepchem -i https://pypi.tuna.tsinghua.edu.cn/simple

# 若需 TensorFlow 支持
pip install 'deepchem[tensorflow]' -i https://pypi.tuna.tsinghua.edu.cn/simple

# 若需 PyTorch 支持
pip install 'deepchem[torch]' -i https://pypi.tuna.tsinghua.edu.cn/simple

# 若需 JAX 支持
pip install 'deepchem[jax]' -i https://pypi.tuna.tsinghua.edu.cn/simple

注：在 zsh 终端中，方括号可能需要转义或加引号，如 'deepchem[torch]'。

使用 conda 安装：

conda install -c conda-forge deepchem

2. nightly 构建版 (开发版)

如果您需要体验最新功能（基于 master 分支）：

pip install --pre deepchem -i https://pypi.tuna.tsinghua.edu.cn/simple

3. Docker 安装 (可选)

如果您希望隔离环境，可直接拉取 Docker 镜像：

docker pull deepchemio/deepchem:latest

基本使用

DeepChem 提供了丰富的教程和示例。以下是一个最简单的代码示例，展示如何加载数据并初始化一个图卷积模型（Graph Convolutional Model）。

简单示例

import deepchem as dc

# 1. 加载示例数据集 (例如：Delaney 溶解度数据集)
tasks, datasets, transformers = dc.molnet.load_function('delaney', featurizer='GraphConv')
train_dataset, valid_dataset, test_dataset = datasets

# 2. 定义模型 (图卷积网络)
model = dc.models.GraphConvModel(
    n_tasks=len(tasks),
    mode='regression',
    dropout=0.5,
    graph_conv_layers=[64, 64],
    dense_layer_size=128,
    n_atoms=9,
    n_bonds=8,
    n_degrees=10,
    n_radials=30
)

# 3. 训练模型
print("Start training...")
model.fit(train_dataset, nb_epoch=5)

# 4. 评估模型
metric = dc.metrics.Metric(dc.metrics.pearson_r2_score)
train_score = model.evaluate(train_dataset, [metric], transformers)
valid_score = model.evaluate(valid_dataset, [metric], transformers)

print(f"Train R^2 score: {train_score}")
print(f"Validation R^2 score: {valid_score}")

下一步学习

• 官方教程：访问 GitHub Tutorials 获取从入门到精通的 Colab 交互式教程。
• 社区交流：加入 Discord 社区 与全球开发者交流问题。
• 文档查阅：详细 API 文档请参阅 ReadTheDocs。