科研插件
AI药物发现
靶点、QSAR、ADMET、筛选与分子生成。
README
AI药物发现:Skill 导航与方法比较
本 README 按任务而不是按来源组织 Skill。表中的入口完成相同或相近任务, 但算法假设、输入格式、计算资源和输出不同;它们是选择关系,不是待删除副本。 除非表格明确说明,描述不构成跨数据集 benchmark,实际选择仍应结合数据与版本验证。
使用方法
- 先定位任务族,再按“重点比较”判断数据、目标和资源约束。
- 打开候选
SKILL.md核对命令、输入输出和陷阱;不要只凭工具名选择。 - 对模型类方法优先保留独立验证集或第二模型共识;对统计方法先核对假设。
分子对接
共同目标:围绕“分子对接”完成同一分析环节;以下入口保留不同算法、工具或工作流。
重点比较:比较盲对接/口袋对接、搜索空间、柔性处理和 pose 置信度;几何排名不等同于亲和力。
本任务族共有 2 个独立入口、2 个名称。
| Skill | 技术路线/资源标签 | 适用范围与主要差异 |
|---|---|---|
AutoDock-Vina-分子-对接 | R/Bioconductor、Python、CLI | Molecular docking with AutoDock Vina (Python API). Receptor/ligand prep (Meeko + RDKit), grid box, docking, pose and binding energy analysis, and batch virtual screening. |
DiffDock-L-预测小分子结合姿势 | Python、CLI | 使用 DiffDock-L(Corso 等,2023/2024)预测小分子结合姿势。它通过盲扩散对接,在无需预定义搜索框的情况下将配体放入蛋白质口袋,并使用学习得到的置信度模型对样本排序。适用于将 SMILES 或 SDF 对接至 PDB、为小型片段库生成排序后的三维姿势,或为后续重打分生成起始姿势。DiffDock 预测几何构象,而非亲和力。 |
结合亲和力预测
共同目标:围绕“结合亲和力预测”完成同一分析环节;以下入口保留不同算法、工具或工作流。
重点比较:比较经验打分、学习模型和自由能方法,关注单位、校准域、构象依赖和不确定性。
本任务族共有 2 个独立入口、2 个名称。
| Skill | 技术路线/资源标签 | 适用范围与主要差异 |
|---|---|---|
计算 | GPU、Python、CLI | Performs alchemical free-energy calculations including relative binding free energy (RBFE / FEP+) and absolute binding free energy (ABFE) via OpenFE, FEP+, GROMACS, AMBER pmemd, and OpenMM with explicit lambda schedulin… |
Boltz-2-Boltz-2模型预测蛋白质-配体结合亲和力 | Python | Predict protein-ligand binding affinity using Boltz-2 model to assess molecular interactions and binding probability for drug discovery. |
虚拟筛选
共同目标:围绕“虚拟筛选”完成同一分析环节;以下入口保留不同算法、工具或工作流。
重点比较:比较 docking、药效团、相似性和学习排序,关注库规模、去重、PAINS/反应性过滤及复评分。
本任务族共有 4 个独立入口、4 个名称。
| Skill | 技术路线/资源标签 | 适用范围与主要差异 |
|---|---|---|
Virtual-筛选 | Python | Performs structure-based virtual screening using AutoDock Vina 1.2 for molecular docking. Prepares receptor PDBQT files, generates ligand conformers, defines binding site boxes, and ranks compounds by predicted binding… |
Virtual-筛选 | GPU、Python、CLI | Performs structure-based virtual screening using AutoDock Vina, SMINA, GNINA (CNN scoring), and DiffDock-L hybrid workflows with explicit choice rules across rigid vs flexible docking, cross-docking vs self-docking, bin… |
虚拟筛选工作流 | Python | Virtual Screening Pipeline - Virtual screening: search PubChem by substructure, compute similarity, filter by drug-likeness, and predict binding affinity. Use this skill for drug discovery tasks involving search pubchem… |
虚拟筛选工作流脚手架 | 读取入口说明确认依赖与输入 | Virtual screening skill scaffold; replace this scaffold with a tested implementation. |
小分子表征与特征
共同目标:围绕“小分子表征与特征”完成同一分析环节;以下入口保留不同算法、工具或工作流。
重点比较:比较指纹、理化描述符、图网络和 3D 构象特征,关注立体化学、标准化和适用域。
本任务族共有 39 个独立入口、39 个名称。
| Skill | 技术路线/资源标签 | 适用范围与主要差异 |
|---|---|---|
Chemical-结构-Fingerprint-比较 | Python | Use when when you have MS/MS spectra with known chemical structures (InChIKeys |
化合物-structural-fingerprint-比较 | R/Bioconductor | Use when you have a set of query chemicals and a reference library (organized |
描述符指纹特征工程 | 读取入口说明确认依赖与输入 | Use when use when the workflow requires descriptor-fingerprint-feature-engineering. |
分子指纹计算 | 读取入口说明确认依赖与输入 | Use when when you have a set of chemical compounds (as SMILES, mol, SDF, |
保留时间预测 | 读取入口说明确认依赖与输入 | Use when when you have a collection of small molecules with known chemical |
fingerprint-特征-格式-转换 | Python、CLI | Use when you have a pretrained deep learning model (e. |
fingerprint-生成-smiles | 读取入口说明确认依赖与输入 | Use when you have molecule IDs from PubChem or HMDB that have been converted |
fingerprint-生成-morgan | Python | Use when you have parsed molecular structures from the SMRT dataset or |
fingerprint-相似度-计算-rdkit | Python | Use when when implementing a similarity-based filter for Pickaxe compound |
fingerprint-vector-加载-解析 | Python | Use when when you have deposited or archived biosynfoni fingerprint vectors |
IOKR-fingerprint-space-排序 | 读取入口说明确认依赖与输入 | Use when when you have paired MS2 spectra and BGCs with structural candidates |
核回归学习 | 读取入口说明确认依赖与输入 | Use when when you have a training set of MS2 spectra with known chemical |
脂质指纹再生神经网络 | 读取入口说明确认依赖与输入 | Use when you have MS/MS spectra with initial lipid annotations from spectral |
质量-光谱-fingerprint-生成 | Python | Use when you have unaligned MS2 spectra from one or more samples (in |
分子-descriptor-fingerprint-生成 | 读取入口说明确认依赖与输入 | Use when you have a collection of chemical structures (SMILES, InChI, |
分析 | Python | Molecular Fingerprint Analysis - Fingerprint analysis: topology descriptors, structure complexity, similarity calculation, and AromaticityAnalysis. Use this skill for cheminformatics tasks involving calculate mol topolo… |
分子-fingerprint-bit-频率-分析 | Python | Use when you have loaded a collection of molecular fingerprint vectors |
分子-fingerprint-计算 | 读取入口说明确认依赖与输入 | Use when you have a collection of small molecules in standardized format |
分子-fingerprint-计算 | Python | Use when you have natural product molecules (or compounds from natural |
分子指纹提取与向量化 | 读取入口说明确认依赖与输入 | Use when you have annotated metabolite structures (with SMILES strings) |
分子-fingerprint-生成 | Python | Use when when you have annotated chemical structures (SMILES or InChI |
分子-fingerprint-生成-encoding | 读取入口说明确认依赖与输入 | Use when when you have paired tandem MS spectra and corresponding molecular |
分子-fingerprint-生成-rdk | Python | Use when you have a set of chemical compounds represented as InChI or |
分子-fingerprint-解析 | 读取入口说明确认依赖与输入 | Use when you have received a JSON response from the CSI:FingerID web |
分子-fingerprint-预测 | 读取入口说明确认依赖与输入 | Use when you have tandem MS/MS spectra paired with known molecular structures |
分子-fingerprint-表征-learning | 读取入口说明确认依赖与输入 | Use when when you have labeled mass-spectrometry spectral data (precursor |
当评估质谱相似度评分与实际化学结构之间的相关性时 | Python | Use when when evaluating how well mass spectral similarity scores correlate |
机器学习的分子特征化 | Python、CLI | Molecular featurization for ML (100+ featurizers). ECFP, MACCS, descriptors, pretrained models (ChemBERTa), convert SMILES to features, for QSAR and molecular ML. |
Molfeat-机器学习的分子特征化枢纽 | Python、CLI | Molecular featurization hub (100+ featurizers) for ML. SMILES to fingerprints (ECFP, MACCS, MAP4), descriptors (RDKit 2D, Mordred), pretrained embeddings (ChemBERTa, GIN, Graphormer), pharmacophores. Scikit-learn compat… |
MS2指纹空白去除 | Python | Use when after aligning MS2 fingerprints across samples (generating a |
ms2-fingerprint-距离-计算 | Python | Use when after MS2 fingerprints have been generated by counting MS2 peaks |
ms2-fingerprint-矩阵-merging | Python | Use when you have two MemoMatrix objects generated from separate sample |
ms2-fingerprint-vector-生成 | Python | Use when you have LC-MS/MS data in mzML, mzXML, or MGF format from one |
RDKit-计算 | Python | Use when you need to (1) compare structural similarity between generated |
光谱-fingerprint-vectorization | Python | Use when you have MS2 fragmentation spectra from multiple metabolomics |
光谱-fingerprint-web-service-查询 | 读取入口说明确认依赖与输入 | Use when you have a high-resolution LC-MS/MS spectrum or pre-computed |
光谱指纹对比学习 | 读取入口说明确认依赖与输入 | Use when when you have paired tandem MS spectra and corresponding molecular |
计算 | 读取入口说明确认依赖与输入 | Use when you have a set of compounds (e.g., novel NPS analogues in an |
tanimoto指纹计算 | Python | Use when when preparing paired MS/MS spectra for training or validation |
ADMET 与毒性预测
共同目标:围绕“ADMET 与毒性预测”完成同一分析环节;以下入口保留不同算法、工具或工作流。
重点比较:比较单终点/多任务、规则/ML 和体内外终点,关注数据泄漏、适用域和不确定性。
本任务族共有 7 个独立入口、7 个名称。
| Skill | 技术路线/资源标签 | 适用范围与主要差异 |
|---|---|---|
ADMET-药物性质报告 | Python | ADMET & Drug-Likeness Report - Generate comprehensive ADMET and drug-likeness report: molecular properties, H-bond analysis, hydrophobicity, topology, and ADMET prediction. Use this skill for medicinal chemistry tasks i… |
ADMET-导向遗传分子优化工作流 | Python、CLI | ADMET-guided genetic molecule optimization workflow from seed SMILES; use when the agent needs to build or run an RDKit/SA-Score/ADMET-AI GA pipeline for molecule optimization, enforce molecule lineage logs, render opti… |
ADMET-预测 | Python | Predicts ADMET properties using ADMETlab 3.0 (119 platform features, including 77 prediction models with modeled-endpoint uncertainty), ADMET-AI, DeepChem MolNet, and chemprop D-MPNN with explicit handling of OECD QSAR… |
ADMET-预测 | 读取入口说明确认依赖与输入 | ADMET prediction skill scaffold; replace this scaffold with a tested implementation. |
ADMET-预测 | Python、网络/API | Predicts ADMET properties using ADMETlab 3.0 API or DeepChem models. Estimates bioavailability, CYP inhibition, hERG liability, and 119 toxicity endpoints with uncertainty quantification. Filters for PAINS and other str… |
预测输入分子的ADMET | Python | Predict the ADMET (absorption, distribution, metabolism, excretion, and toxicity) properties of the input molecules. |
ADMET-预测 | GPU、CPU、Python、CLI | Comprehensive ADMET (Absorption, Distribution, Metabolism, Excretion, Toxicity) profiling for drug candidates. Integrates ADMET-AI predictions, SwissADME drug-likeness, PubChemTox experimental toxicity, ChEMBL clinical… |
名称不同但语义近似的补充候选
以下分组由名称与描述中的稀有任务词识别,未自动合并。它们可能是别名、 包含关系或相邻步骤;使用前应以各自入口的输入输出边界为准。
候选组 1
分析:Bioassay Data Analysis - Analyze bioassay data: PubChem assay summary, ChEMBL activity search, compound properties, and target info. Use this skill for bioassay science tasks invo…分析:Cell Line Assay Analysis - Analyze cell line assays: ChEMBL cell line info, assay search, activity data, and target info. Use this skill for cell biology tasks involving get cell…
示例提示词
围绕《你的疾病或候选靶点》梳理遗传、功能和药理证据,比较支持与反对理由,提出值得进一步验证的问题。
包含的科研 Skills25 个
- AI蛋白质-配体对接在AI药物发现领域开展“对接AI”任务时使用;根据输入、科学假设和运行环境,在虚拟筛选下已保留的方法实现之间路由。v0.1.1
- 药物-靶点结合活性数据检索在AI药物发现领域开展“DTI预测”任务时使用;根据输入、科学假设和运行环境,在药物-靶点相互作用下已保留的方法实现之间路由。v0.1.1
- 生成式分子设计与ADMET优化在AI药物发现领域开展“分子生成”任务时使用;根据输入、科学假设和运行环境,在分子生成下已保留的方法实现之间路由。v0.1.1
- 逆合成路线规划在AI药物发现领域开展“逆合成规划”任务时使用;根据输入、科学假设和运行环境,在逆合成与合成规划下已保留的方法实现之间路由。v0.1.1
- 药物再利用候选排序当用户需要依据疾病机制、靶点、转录特征、现有药理和临床可行性,为已知药物寻找新适应证并排序时使用。v0.1.0
- ADMET性质与毒性预测在AI药物发现领域开展“ADMET预测”任务时使用;根据输入、科学假设和运行环境,在ADMET-药代毒理性质下已保留的方法实现之间路由。v0.1.1
- 化合物信息检索与身份核对当用户按名称、CAS、CID、ChEMBL ID、SMILES或InChI查找化合物,并需要确认准确结构、盐型、立体化学或基础属性时使用。v0.1.0
- 非房室药代动力学分析当用户需要从给药后的浓度-时间数据计算Cmax、Tmax、AUC、半衰期、清除率和表观分布容积时使用。v0.1.0
- 抗菌肽活性与MIC预测当用户需要使用 APEX 对不超过 50 个氨基酸的肽序列预测内置病原体特异性抗菌活性或 MIC 时使用;新肽生成、分子对接和内置病原体以外的外推不使用本 Skill。v0.1.0
- 化合物商业可获得性检索当用户需要查找化合物供应商、货号、实时库存与价格,寻找可购买类似物,或构建可采购虚拟化合物库时使用。v0.1.0
- 共价抑制剂设计当用户需要围绕可反应残基设计可逆或不可逆共价抑制剂,并联合优化非共价定位、反应动力学和蛋白组选择性时使用。v0.1.0
- 三维构象与形状相似性当用户需要生成分子三维构象集合、进行能量优化,或开展三维形状与静电相似性搜索时使用。v0.1.0
- GPCR配体药理分析当用户需要分析GPCR配体的激动、拮抗、反向激动、偏向信号、亚型选择性或正构/变构机制时使用。v0.1.0
- 候选化合物毒理风险评估当用户需要在药物发现阶段整合结构警报、体外实验、动物毒理、毒理组学和暴露数据,判断候选化合物的器官与机制风险时使用。v0.1.0
- 分子相似性与子结构检索当用户需要用Tanimoto、Tversky、Dice或SMARTS,从化合物库中查找类似物、包含特定子结构的分子、结构警报或活性悬崖时使用。v0.1.0
- 分子结构标准化与格式转换当用户需要清洗盐、溶剂、价态、互变异构体和立体化学,或在SMILES、InChI、SDF、MOL2、PDB等分子格式间转换时使用。v0.1.0
- 化学骨架与SAR分析当用户需要用Bemis–Murcko骨架、匹配分子对、R基团分解或Free–Wilson模型分析化学系列、构效关系与活性悬崖时使用。v0.1.0
- 靶向蛋白降解剂设计当用户需要设计PROTAC、分子胶或其他靶向蛋白降解剂,并评估E3连接酶、连接子、三元复合物和细胞降解证据时使用。v0.1.0
- 药效团建模与筛选当用户需要从活性配体或受体结合口袋建立三维药效团,并筛选满足关键空间特征的骨架跃迁候选物时使用。v0.1.0
- 结合自由能与对接姿势验证当用户需要检查对接或生成姿势的几何与物理有效性,或用RBFE/ABFE对类似物亲和力进行定量排序时使用。v0.1.0
- 分子描述符与指纹计算当用户需要为QSAR、相似性检索或虚拟筛选计算理化描述符、Morgan/ECFP、MACCS及其他分子指纹时使用。v0.1.0
- 药物靶点证据整合与验证当用户需要综合疾病关联、人类遗传、功能实验、可成药性、安全性、结构和临床先例,对候选药物靶点作GO/NO-GO判断时使用。v0.1.0
- 靶点到先导化合物发现开展分子对接、亲和力预测、虚拟筛选、分子动力学、小分子表征或ADMET分析时使用。v0.1.1
- QSAR与QSPR建模在AI药物发现领域开展“QSAR建模”任务时使用;根据输入、科学假设和运行环境,在QSAR-定量构效关系下已保留的方法实现之间路由。v0.1.1
- 结构基础虚拟筛选在AI药物发现领域开展“虚拟筛选”任务时使用;根据输入、科学假设和运行环境,在虚拟筛选下已保留的方法实现之间路由。v0.1.1
常见问题
AI药物发现能做什么?
靶点、QSAR、ADMET、筛选与分子生成。
如何安装AI药物发现?
在科搭 Codar 左侧点击「插件」,在「插件」页签搜索「AI药物发现」并安装;也可以把本页的安装提示词发给 Claude Code 或 Codex。
AI药物发现需要哪些权限?
该科研插件没有声明额外权限;执行具体操作时仍由 Agent 按自身规则请求确认。
AI药物发现经过官方审核吗?
是。SpeedSkills 收录的每个版本都会记录内容摘要与权限声明,当前版本已通过安全审核。