使用多种特征提取器和预构建数据集的分子机器学习。当您需要丰富的特征提取选项和MoleculeNet基准时，可将其用于性质预测（如ADMET、毒性）与传统机器学习或图神经网络（GNN）结合使用。最适合使用预训练模型和多样分子表示进行快速实验。对于以图为主的PyTorch工作流程，请使用torchdrug；对于基准数据集，请使用pytdc。

用于开发、测试和部署临床数据机器学习模型的综合性医疗人工智能工具包。当处理电子健康记录（EHR）、临床预测任务（死亡率、再入院、药物推荐）、医学编码系统（ICD、NDC、ATC）、生理信号（EEG、ECG）、医疗数据集（MIMIC-III/IV、eICU、OMOP）或为医疗应用实现深度学习模型（如RETAIN、SafeDrug、Transformer、GNN）时，应使用此技能。

图神经网络（PyG）。节点/图分类、链接预测、GCN、GAT、GraphSAGE、异构图、分子性质预测，适用于几何深度学习。

用于分子和蛋白质的PyTorch原生图神经网络。适用于构建自定义GNN架构以进行药物发现、蛋白质建模或知识图谱推理，特别适合自定义模型开发、蛋白质性质预测和逆合成分析。如需预训练模型和多种特征化工具，请使用DeepChem；如需基准数据集，请使用PyTDC。