⏱ 预计阅读：14 分钟
[!summary] 本期速览
💡 新观点 1：DeepChem 值得推荐，不是因为它又提供了一个新模型，而是因为它把分子数据、特征工程、训练、评测和教程接成了一条可复用的工程链路。
💡 新观点 2：6.8k Star 和 2026 年 6 月仍在更新的主干说明社区热度还在，但最新正式 Release 停留在 2024 年，生产采用必须区分稳定版与开发版。
💡 新观点 3：开源药物发现工具最容易被低估的成本，不是模型推理，而是环境依赖、数据口径、实验可复现性，以及从计算结果到实验验证之间的责任边界。
1、为什么本期只推荐 DeepChem
我先按“直接医疗相关”做硬过滤，再按 Star 总数和最近有效更新排序。候选池里，K-Dense-AI/scientific-agent-skills 有约 2.9 万 Star，但它覆盖整个科学研究，医学只是其中一部分；OpenEMR 和 OHIF 都很成熟，却分别更偏 EHR（电子病历系统）和医学影像工作站；MedicalGPT 更接近中文医疗大模型训练，却没有 DeepChem 那么完整的生命科学工程链路。
| 项目 | Star（截至 2026-06-23） | 最近有效变化 | 本期判断 |
|---|---|---|---|
| DeepChem | 6,808 | 6 月 23 日可见新提交 | 唯一推荐 |
| MedicalGPT | 5,539 | 6 月 3 日 push | 中文医疗模型训练候选 |
| OpenEMR | 5,234 | 6 月 1 日发布 8.1.0 | EHR 场景候选 |
| OHIF Viewers | 4,213 | 6 月 17 日发布 3.12.5 | 影像场景候选 |
图注：DeepChem GitHub 仓库截图，截于 2026-06-23。画面同时显示约 6.8k Star、2.2k Fork、MIT 许可证、最近提交和最新正式 Release。查看原始仓库
为什么最终是 DeepChem？因为它同时满足三件事：足够多人用过或至少认真关注过、代码仍在变化、解决的是药物发现里反复出现的工程问题。它不是一个“下载权重就能演示”的短期热点，而是一套从 2015 年持续演进至今的工具链。
不过，Star 只能说明开发者关注度，不能证明模型有效、实验可复现，更不能替代临床证据或监管许可。推荐 DeepChem，推荐的是它作为研发底座的参考价值，不是给它盖一枚“可以直接用于医疗决策”的章。
2、DeepChem 到底是什么
DeepChem 把自己定义为一套面向药物发现、材料科学、量子化学和生物学的开源深度学习工具链。更直白一点，它想解决的不是“再训练一个神奇模型”，而是让研究者少从零搭一遍数据读取、分子表示、任务切分、模型训练和评测流程。
图注：DeepChem README 截图，截于 2026-06-23。README 给出了官网、文档、Colab 教程及 pip、conda、Docker、源码安装入口，也暴露了依赖与构建状态。查看 README
这类项目的价值，往往藏在不太适合做发布会演示的地方。
• 数据入口：药物发现的数据不只是规整表格，还可能包含 SMILES（用字符串表示分子结构的方法）、SDF（常见的化学结构文件）、蛋白质结构、图结构和实验标签。真正费时间的是把这些东西变成统一、可检查、可重复处理的数据对象。
• 特征表示：同一个分子可以变成指纹、描述符、分子图或三维结构特征。表示方法一换，模型输入、计算成本和适用任务都会跟着变。DeepChem 的意义，是把多种表示方法放在一个相对统一的接口后面，方便研发团队比较，而不是每次重新写胶水代码。
• 模型与框架：README 当前列出了 TensorFlow、PyTorch 和 JAX 的可选安装方式。对研究团队来说，这意味着可以复用不同框架里的模型；对工程团队来说，也意味着依赖矩阵会迅速变复杂。
• 教程与基准：项目维护 Colab 教程、示例和学习路径。一个开源库真正降低门槛，不只是 API 文档齐不齐，而是新人能不能用一份公开数据跑通从加载到评估的完整流程。
DeepChem 最值得借鉴的地方，是把算法选择放回一条可执行的实验管线里。很多医疗 AI 项目卡住，并不是因为没有模型，而是每个模型都带着自己的数据格式、环境、指标和脚本，最后没有人能稳定复现上一次结果。
3、本周更新透露了什么
图注：DeepChem 从分子、蛋白和实验数据出发，依次完成加载与特征化、数据切分、模型训练、评测比较和候选输出，再通过实验验证形成反馈闭环。高 Star 和活跃主干只是工程信号，不是临床证据。
截至 2026 年 6 月 23 日，DeepChem 仓库约有 10,666 次提交。最近一条可见提交 1bf6894 为 Hugging Face 模型封装增加 generate()，同时补充测试；6 月 17 日的 046c8b8 增加了从 PDB（蛋白质结构数据库常用格式）提取蛋白骨架的 ProteinBackboneFeaturizer。
这两处变化放在一起看，比单独追一个版本号更有意思。
第一，DeepChem 正在继续吸收通用 AI 生态里的能力。为 Hugging Face 模型补生成接口，说明生命科学工具链与通用模型工具的边界还在融合。研发团队不必把“分子模型”和“语言模型”当成两套完全隔离的系统。
第二，项目仍在补结构生物学的数据入口。蛋白质骨架特征不是漂亮的前端功能，却是把结构数据送进后续模型的一块基础积木。越接近真实研发，越多价值来自这种不性感但可复用的组件。
第三，主干活跃不等于稳定版本同步。GitHub Releases 页面显示，最新正式 Release 仍是 2024 年 4 月发布的 2.8.0；README 同时提供稳定版、Nightly（每日构建版）和源码安装。这意味着采用者必须先回答：你要的是更稳的 2.8.0，还是要承担主干变化以换取新功能？
这不是小问题。研究复现要求环境被冻结，产品研发又常常需要最新能力。如果团队直接写一句 pip install deepchem，却没有锁定 Python、RDKit、深度学习框架、CUDA 和 DeepChem 版本，几个月后很可能连自己都复现不了。
4、真正值钱的是工程链路
图注：工程底座由数据层、表示层、实验层、模型层和交付层组成，版本锁定、数据许可、测试审计与实验记录贯穿全链路；计算输出仍需回到湿实验验证。
DeepChem 的典型使用路径可以概括成六步：
原始分子/蛋白数据 → 清洗与加载 → 特征化 → 数据切分 → 模型训练 → 指标评估
看起来平平无奇，但药物发现项目最容易在这六步之间丢失信息。
例如，随机切分数据可能让结构高度相似的分子同时出现在训练集和测试集里，模型分数很好看，却没有真正学会面对新的化学空间。又例如，某个公开基准上的 AUC（衡量二分类排序能力的指标）提高，不代表候选分子在湿实验里更有效，更不代表毒性、可合成性和药代动力学已经解决。
因此，我更建议把 DeepChem 当作三种东西，而不是一种东西：
- 实验脚手架：快速跑通公开任务，验证数据、特征和指标选择。
- 模型比较层：在相同数据切分与评测规则下比较不同模型，减少“每个模型一套口径”。
- 团队知识载体：把加载器、特征化器、切分器和评测方式写进可执行代码，而不是散落在论文、Notebook 和个人电脑里。
它不应该被直接当成临床产品，也不应该被当成“装好就能发现新药”的自动机器。从预测分数到实验验证，中间仍然隔着化学可行性、生物机制、实验设计、质量体系和大量失败。
5、什么团队适合用，什么团队先别用
| 情况 | 建议 |
|---|---|
| 需要快速验证分子性质预测、毒性预测、结构或组学相关任务 | 适合先用公开教程和数据集做技术验证 |
| 团队已有 Python、RDKit 和机器学习基础 | 适合把 DeepChem 作为统一实验接口评估 |
| 需要同时比较传统机器学习、图神经网络和不同深度学习框架 | 适合，但必须锁定依赖并统一数据切分 |
| 希望开箱即用获得可进入临床或实验决策的结论 | 不适合，DeepChem 不是临床验证和监管体系 |
| 没有清晰数据权限、标签定义和实验验证计划 | 先别上模型，工具不能替代数据治理 |
| 生产环境要求长期稳定、审计和可重复部署 | 可以借鉴，但应建立内部封装、版本策略和验证集 |
如果团队准备试用，我建议先做一个很小的“采用前检查”：
• 先锁任务：只选一个可验证问题，不要一开始就做“AI 新药平台”。
• 再锁数据切分：明确随机切分、骨架切分或时间切分为什么适合当前任务，防止数据泄漏。
• 锁环境：记录 Python、DeepChem、RDKit、PyTorch/TensorFlow/JAX、CUDA 和系统镜像版本。
• 锁指标：除了模型指标，还要定义实验端真正关心的失败成本。
• 锁边界：输出是研究排序线索，还是会进入真实实验或产品流程？不同用途需要完全不同的复核和审计强度。
6、我最在意的四个风险
1. 稳定版与主干之间的距离。主干 2026 年仍有更新，但最新正式 Release 是 2024 年的 2.8.0。想要新能力，可能要使用 Nightly 或源码；想要稳定，又可能错过新组件。
2. 依赖复杂度。README 同时涉及 RDKit、TensorFlow、PyTorch、JAX、CUDA 和多种软依赖。功能覆盖越广，环境冲突和升级成本越高。README 截图当时还显示部分文档/构建状态未通过、代码覆盖率徽章约 53%；这是单次页面快照，不代表项目长期质量结论，但足以提醒采用者自己跑测试。
3. 基准分数与真实价值的落差。公开数据集上的提升，可能来自数据切分、标签偏差或相似样本泄漏。任何进入真实研发决策的模型，都需要独立验证和领域专家复核。
4. 许可证并不是唯一合规问题。DeepChem 主仓库使用 MIT 许可证，但数据集、预训练权重、外部模型和化学数据库可能有各自条款。医疗与生物数据还涉及隐私、伦理、数据跨境和机构审批。开源代码可用，不等于整条数据链都能商用。
7、写在最后
本期一句话：DeepChem 最值得推荐的，不是某个模型有多新，而是它让药物发现里的数据、特征、模型和评测第一次更像一条可复用的工程链路。
如果你的团队今天要做一个药物发现或生命科学 AI 原型，你最缺的是更强的模型，还是一套能让第二个人复现第一人实验结果的工程底座？
8、本期参考信息来源
- DeepChem GitHub 仓库
- DeepChem 官方网站
- DeepChem 官方文档
- DeepChem README 与安装说明
- DeepChem Releases
- DeepChem 2.8.0 Release
- 为 Hugging Face 模型增加 generate() 的提交
- 新增 ProteinBackboneFeaturizer 的提交
注：本文只做开源项目与研发方法分析，不构成诊疗、用药或投资建议。Star 代表开发者关注度，不代表临床有效性、监管许可或商业确定性。