科研 Skill
治疗适应症研究档案
indication-dossier
生成治疗适应症档案,覆盖患者人群、流行病学、疾病生物学、标准治疗、监管先例和里程碑式临床试验。
SKILL.md
适应症档案
围绕单一适应症生成结构化研究档案,并将适应症视为一个患者人群:他们是谁、面临什么问题、目前如何接受治疗,以及应如何设计临床试验来帮助他们。工作流分为五个阶段,每个阶段都会写入可恢复的 waypoint 文件;第一阶段结束时进行一次简短的身份确认,之后其余阶段连续执行。
框架
将适应症理解为一个患者人群。 所有内容都从患者视角出发:“这些患者是谁?”而不是“这是什么疾病?”;“如何识别和管理这些患者?”而不是“这种疾病由什么导致?”;人群嵌套关系表述为:“{child} 中的所有患者都属于 {parent} 患者。”
有些适应症无法映射到 ICD 编码或标准疾病定义:“免疫衰老”是一种生物学状态,不是可计费诊断;“衰老”不是 FDA 接受的适应症;“GLP-1 诱导的肌少症”是医源性人群。必须明确记录这些区别,因为它们会影响监管路径和试验设计。
输入
indication(必需)——适应症名称,例如“肌少症”或“特发性肺纤维化”。additional_context(可选)——需要重点关注的领域、父级适应症或其他框架信息。workdir(可选)——写入 waypoint 和最终报告的位置。默认为./do_not_commit/indication-dossier-<slug>/。
本技能预期使用的工具
| 用途 | 工具 |
|---|---|
| ClinicalTrials.gov | clinical-trials MCP |
| 文献 | pubmed MCP |
| Web | WebSearch、WebFetch——FDA 指南、治疗指南(NCCN、AASLD、专科协会)、CDC/WHO 流行病学数据 |
| 文档 | 远程 PDF 使用 WebFetch;本地 PDF 使用 Read |
| 子代理 | 使用 Agent 并行收集证据 |
如果列出的 MCP 未连接,请说明这一点,并回退到 WebSearch,检索相应的公共底层来源(clinicaltrials.gov、pubmed.ncbi.nlm.nih.gov)。
输出布局
<workdir>/
└── waypoints/
├── progress.json # 循环控制
├── meta.json # 阶段 1
├── epidemiology.json # 阶段 2
├── biology_soc.json # 阶段 3
├── regulatory_trials.json # 阶段 4
├── sources_evaluated.json
├── research_output.json # 阶段 5——结构化输出
└── indication_dossier_report.md # 阶段 5——最终交付物
所有 waypoint 文件的 schema 都位于 references/waypoint-schemas.md。Waypoint 是可恢复状态。如果工作目录中已存在 waypoint,请读取它们、总结已完成内容,并询问要从哪个阶段恢复。
开始之前
读取 references/00-research-standards.md。该文件规定了所有阶段的来源要求和反臆造规则。然后创建 <workdir>/waypoints/。
工作流
档案分五个阶段构建。每个阶段结束后,写入对应 waypoint 文件,并输出不超过 200 字的摘要,概述已发现内容和仍不确定的事项,然后直接进入下一阶段。唯一例外是阶段 1:写入 meta.json 后,展示解析出的适应症身份,并调用 ask_user,提供 继续/修订身份/停止 三个选项,以便在进入成本更高的阶段前发现对适应症名称的误解。如果 ask_user 不可用,请说明“将按此解释继续;如需纠正,请立即中断”,然后继续执行。
阶段 1——元数据初始化
读取 references/01-meta-initialization.md。解析适应症身份:临床定义、ICD 编码、别名、父级适应症,以及它是否属于公认的诊断实体。快速扫描 ClinicalTrials.gov 试验格局。创建 waypoints/meta.json。
阶段 2——流行病学研究
读取 references/02-epidemiology-research.md。刻画患者人群:诊断标准、患病率和发病率、人口统计学特征和风险因素、自然病程。使用并行子代理同时检索 PubMed 和 Web。写入 waypoints/epidemiology.json。
阶段 3——生物学与标准治疗研究
读取 references/03-biology-soc-research.md。确定病理生理学、生物标志物、获批疗法、治疗指南和未满足需求。并行使用子代理:PubMed 负责生物学,Web 负责指南,FDA 负责批准信息。写入 waypoints/biology_soc.json。
阶段 4——监管与临床试验研究
读取 references/04-regulatory-trials-research.md。确定 FDA/EMA 接受的终点、监管先例、典型试验设计参数、里程碑试验和重要失败案例。并行使用子代理:FDA 负责指南和批准信息,ClinicalTrials.gov 负责试验模式,PubMed 负责试验历史综述。写入 waypoints/regulatory_trials.json。
阶段 5——综合
读取 references/05-synthesis.md 和 references/06-writing-style.md。读取四个整合后的 waypoint 文件。按照综合 reference 指定的顺序,以叙事章节形式写入 waypoints/indication_dossier_report.md,并根据写作指南添加行内引用;同时写入 waypoints/research_output.json。本阶段不得开启新的研究线程。允许有针对性地补充缺口:通过单次获取解决现有 waypoint 字段中的某个具体缺失值,例如批准年份、NCT ID 或申办方管线页面中的图。任何更广泛的问题都应列为缺口,而不是在此阶段展开研究。
恢复执行
如果调用时的 workdir 已包含 waypoint:列出已完成阶段,即相应 waypoint 文件存在且非空;展示元数据摘要,并询问用户下一步要运行哪个阶段。未经确认,绝不覆盖现有 waypoint。
详细信息
作者
Anthropic
许可证
Apache-2.0
所属插件
安装该插件会一并获得同领域的 31 个 Skill / MCP。
同插件的其他科研 Skill
- AlphaFold2 蛋白质结构预测使用 ColabFold 运行器和 AlphaFold2/AlphaFold2-Multimer 预测蛋白质单体、多聚体与复合物结构,并通过 pLDDT、ipTM 和 RMSD 评估预测与设计质量。
- 生信论文写作助手按钮审批、本机R优先与生信论文质控交付
- BioServices 生信数据库助手统一访问生物信息数据库
- Boltz 生物分子共折叠使用 Boltz-2 预测蛋白质、核酸和小分子复合物结构(Passaro、Wohlwend 等,2025)。适用于针对靶标验证设计的结合蛋白、将蛋白质与 SMILES 或 CCD 配体共同折叠,或使用可选的结合亲和力预测功能获得开源 AlphaFold3 替代方案。
- Borzoi 基因组调控预测使用 Borzoi 根据 DNA 序列预测全基因组功能轨迹(RNA-seq、CAGE、DNase、ChIP)。适用于评估变异对表达或染色质可及性的调控效应、生成某个基因组位点的预测覆盖轨迹,或根据预测轨迹差值确定非编码变异的优先级。
- bulk RNA-seq 分析助手复现 bulk RNA-seq 分析流程
- Chai-1 复合物结构预测使用 Chai-1 基础模型(Chai Discovery,2024,github.com/chaidiscovery/chai-lab)预测蛋白质、核酸和小分子复合物结构。适用于从单个 FASTA 预测抗体—抗原或蛋白质—配体复合物、将设计的结合蛋白重新折叠并作为 AlphaFold-Multimer 的替代方案,或通过 Python 在 GPU 上执行批量共折叠任务。
- 肿瘤枢纽基因课题规划规划传统肿瘤生信课题
- deepTools NGS 信号分析生成 NGS 质控和信号图
- DiffDock 小分子对接使用 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。
- ESMFold2 全原子共折叠使用 Biohub ESMFold2/ESMFold2-Fast 进行全原子共折叠,支持单序列和 MSA 模式以及蛋白质、DNA、RNA、配体(CCD/SMILES)和修饰残基;FoldBench 抗体–抗原 DockQ 通过率为 50–55%,PPI 为 70–77%。也覆盖同一版本的 ESMC-{300M,600M,6B} 蛋白质语言模型,包括掩码语言模型 logits、隐藏状态、突变评分、接触预测和 SAE 可解释性预测头。适用于预测单序列输入的复合物结构、使用 ESMFold2-Fast 验证设计结合蛋白、运行 MSA 输入、获取 ESMC 嵌入或逐残基突变分数,以及选择符合论文吞吐设置的内核后端和采样步数。
- Evo 2 基因组基础模型使用长上下文基因组基础模型 Evo 2 对 DNA 序列进行评分、嵌入和生成。适用于计算逐核苷酸或逐序列似然以评估变异效应、嵌入基因组窗口供下游分类使用、根据前缀生成 DNA,以及跨物种评估调控区或编码区。
- ESM-2 蛋白质语言模型使用 Meta AI 的 ESM-2(`fair-esm` 软件包)生成蛋白质嵌入。适用于提取残基级或序列级嵌入供下游机器学习使用、进行掩码语言模型似然或突变效应评分,以及根据序列预测接触图。
- gget 生信检索助手跨生信数据库检索基因蛋白信息
- LigandMPNN 配体环境蛋白设计使用 LigandMPNN(Dauparas 等,2023)在配体、核酸和金属环境下对蛋白质骨架进行逆折叠。适用于重新设计结合口袋中围绕已结合小分子或辅因子的残基、设计必须保持几何构型的金属配位位点,或从任意 MPNN 运行中获得穿线了设计序列的 PDB。
- 科学文献综述查找、核验并综合科学文献——从“X 领域的奠基性论文是哪篇”到完整的多来源综述。涵盖以真实检索到的来源支撑论断、避免伪造引文、处理撤稿,以及根据证据强度校准置信程度。
- 医学文献精读助手精读医学文献并提取关键信息
- Methods 段落写作助手改写可投稿的 Methods 段落
- 科研晨间简报将用户的晨间简报渲染为有样式的 HTML 产物,或将其设置为工作日循环任务。仅当用户明确要求运行、查看或设置晨间简报,或明确调用 /morning 时使用;仅询问当天安排、日程或日历并不构成晨间简报请求,应直接回答。
- OpenFold3 复合物结构预测使用 OpenFold3 进行结构预测。OpenFold3 是 AlQuraishi 实验室开发的 AlphaFold3 开放权重 PyTorch 复现。适用于使用 Apache-2.0 许可的 AF3 复现模型预测蛋白质、核酸和配体复合物结构。
- 通路富集分析助手执行通路和基因集富集分析
- ProteinMPNN 蛋白质序列设计使用 ProteinMPNN(Dauparas 等,2022,github.com/dauparas/ProteinMPNN)将蛋白质骨架(PDB 结构)逆折叠为氨基酸序列。适用于对 RFdiffusion 骨架进行序列设计、在固定界面残基的同时重新设计 PDB 中的一条链,或生成跨温度采样的序列集合供下游折叠使用。
- PyDESeq2 差异表达分析分析 bulk RNA-seq 差异表达
- QTL 共定位研究规划设计 QTL 与 GWAS 共定位分析
常见问题
治疗适应症研究档案能做什么?
生成治疗适应症档案,覆盖患者人群、流行病学、疾病生物学、标准治疗、监管先例和里程碑式临床试验。
如何安装治疗适应症研究档案?
在科搭 Codar 左侧点击「插件」,在「组件」页签搜索「治疗适应症研究档案」并安装;在 Claude Code 或 Codex 中可以发送本页的安装提示词,或下载 Skill 包后解压到 ~/.claude/skills 或 ~/.codex/skills。
治疗适应症研究档案需要哪些权限?
该科研 Skill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。
治疗适应症研究档案经过官方审核吗?
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。