شهد مجال الكيمياء الحاسوبية تطورًا كبيرًا بفضل إدخال تقنيات التعلم الآلي (ML). وعلى الرغم من الإمكانات الكبيرة التي يمتلكها هذا المجال في إحداث ثورة في هذا المجال، إلا أن الباحثين غالبًا ما يواجهون عقبات، مثل تعقيد اختيار الخوارزميات المثلى، وآليّة خطوات ما قبل المعالجة للبيانات، وضرورة هندسة الميزات التكيفية، وضمان ثبات أداء النماذج عبر مجموعات بيانات مختلفة. وبمعالجة هذه التحديات بشكل مباشر، يبرز "DeepMol" كأداة لتعلم الآلي التلقائي (AutoML) من خلال آليّة تلقائية لخطوات حاسمة في سلسلة معالجة التعلم الآلي. يُمكن لـ DeepMol تحديد تمثيل البيانات، وطرق ما قبل المعالجة، وتكوينات النموذج الأكثر فعالية بشكل سريع وآلي لمشكلة محددة في التنبؤ بخصائص أو نشاط الجزيئات. وعلى 22 مجموعة بيانات معيارية، حقق DeepMol خطوطًا معالجة تنافسية مقارنةً بالحلول التي تتطلب عمليات هندسة ميزات طويلة الأمد، وتصميمًا وتحديدًا للنماذج. وبكونه واحدة من أولى أدوات التعلم الآلي التلقائي المُصممة خصيصًا لمجال الكيمياء الحاسوبية، يبرز DeepMol بفضل كوده المفتوح المصدر، وشروحاته التفصيلية، وتوثيقه الشامل، وأمثلة تطبيقات واقعية، كلها متاحة على الموقعين: https://github.com/BioSystemsUM/DeepMol و https://deepmol.readthedocs.io/en/latest/. وبإدخال مفهوم التعلم الآلي التلقائي كميزة ثورية في مجال الكيمياء الحاسوبية، يُثبت DeepMol نفسه كأداة رائدة ومتطورة في هذا المجال.