如果你要选「第一个上手的 AI 制药工具」，DeepChem 是最常被推荐的答案。它是一个开源 Python 库，把分子机器学习常用的环节封装成统一接口，并配有成体系的教程。
DeepChem 解决了什么
分子机器学习的典型流程是：拿数据 → 把分子变成特征 → 训练模型 → 评估。DeepChem 用四个核心抽象覆盖这条链：
- Dataset：统一的数据集对象，内置 MoleculeNet 等标准数据集。
- Featurizer：把 SMILES / 分子转成特征（指纹、图、描述符等）。
- Model：从随机森林到图卷积网络（GraphConv）等多种模型。
- Splitter：随机划分、骨架划分（Scaffold Split）等，避免高估模型能力。
怎么开始
- 安装：
pip install deepchem（深度学习模型还需 PyTorch 或 TensorFlow）。 - 跟着官方「教程系列」走：从「分子机器学习入门」「处理数据集」到「图卷积」逐步深入，每篇都是可运行的 Jupyter Notebook。
- 建议用 Google Colab 运行，免去本地环境配置的麻烦。
学习建议
- 第一遍重点跑通「加载数据 → 特征化 → 训练 → 评估」整条流程，建立手感。
- 留意 Splitter 的选择：随机划分常常虚高，骨架划分更接近真实外推。
- DeepChem 的数据与任务大量来自 MoleculeNet，可与「数据资源」「AI 模型」模块对照学习。
关键要点
- DeepChem = 新手的「分子 ML 脚手架」，统一了数据 / 特征 / 模型 / 划分；
- 用 Colab + 官方 Notebook，是最低门槛的实操路径；
- 跑通一条完整流程，比理解每个模型细节更优先。
延伸资源
- 官方网站：deepchem.io（含 Tutorials）。
- 源码：github.com/deepchem/deepchem。
- 配套阅读：后续《DeepChem 论文精读》《MoleculeNet 论文精读》。