企业官网建设流程全解析

🧬bioSkills是一个为 AI 编程智能体（Claude Code、Codex、OpenCode 等）提供生物信息学专家知识的开源技能库，其中 structural-biology 分类内置了AlphaFold 预测模型获取、PDB/mmCIF 结构解析、结合位点（pocket）检测等 10 项结构生物学技能。本文带你快速上手：装好 bioSkills 后，用一句自然语言就能让 AI 完成从结构下载、置信度解读到口袋筛选的完整流程，无需手写大量代码。

上图来自项目官方评估：接入 bioSkills 后，Claude Code 与 Codex CLI 在生物任务基准（Bio-Task Bench）上的得分均明显提升，Basic 组别从 98.6% 提到99.9%。评估报告见 resources/bioskills_eval_20260328.pdf。

一、bioSkills 结构生物学技能全家桶

bioSkills 共收录561 个技能、覆盖 63 个类别（见根目录 README.md），其中结构生物学类别的核心工具体系为Bio.PDB + AlphaFold DB + ESMFold + fpocket：

💡 每个技能 = 一份SKILL.md（专家知识）+usage-guide.md（使用指南）+examples/（可运行示例），AI 智能体据此生成正确、地道的代码。

二、一键安装：三步让 AI 学会结构生物学

1️⃣ 克隆仓库：

git clone https://gitcode.com/gh_mirrors/bio/bioSkills cd bioSkills

2️⃣ 运行对应智能体的安装脚本（以 Claude Code 为例，也可只装结构生物学类别）：

./install-claude.sh # 或只安装指定类别： ./install-claude.sh --categories "structural-biology"

3️⃣ 安装 Python 依赖：

pip install biopython numpy requests freesasa

脚本支持--list查看技能、--update增量更新、--uninstall卸载，其他智能体（Codex、OpenCode、OpenClaw 等）有同名脚本，参数一致。

三、AlphaFold 预测：一句提示词拿到模型 + 置信度解读

装好技能后，直接对 AI 说：

"下载 UniProt 编号 P04637 的 AlphaFold 模型，报告平均 pLDDT，并告诉我哪些区域不可信。"

AI 会自动完成：查询数据库元数据 → 下载 mmCIF 结构 + PAE 文件 → 逐残基提取 pLDDT 并分档 → 指出低置信区。参考实现见 download_alphafold.py。

⚠️ 新手最容易踩的三个坑（bioSkills 已内置这些"专家直觉"）：

1. pLDDT 不是热运动——它写在 B 因子列里，但含义是 0–100 的置信度，方向与 B 因子相反；
2. 长段低 pLDDT ≈ 内在无序区（IDR），是真实生物学信号，不是建模错误，别当"垃圾"删掉；
3. 平均 pLDDT 高 ≠ 结构整体可信——两个结构域各自 pLDDT 95，相对取向仍可能是瞎猜的，要看PAE 矩阵。

pLDDT 分档速查（来自 alphafold-predictions/SKILL.md）：

📌 另外记住：AFDB 模型是单体、无配体、无寡聚态的"真空快照"。要复合物/界面？转用 modern-structure-prediction 跑 AlphaFold3 或 AF-Multimer 新预测。

四、PDB 解析：mmCIF 优先，生物装配别搞错

对 AI 说 "下载 PDB 结构 4HHB 并列出所有链" 即可。但生物学家新手要知道两个关键概念，AI 会替你把关：

• 格式选择：mmCIF（PDBx）是现代标准；老式 PDB 固定列格式有硬上限（约 6 万链长、99,999 个原子），核糖体这类大复合物只有 mmCIF 版本。把大 mmCIF 写成 PDB 会静默破坏链 ID；
• 生物装配（biological assembly）：X 射线条目存盘的是不对称单元，常常不是有功能的寡聚体——"文件里只有一条链"绝不等于单体。做界面/寡聚态分析前，务必下载-assembly1文件。

这些细节的完整决策表、常见报错对照表，都写在 structure-io/SKILL.md 里，配套示例 parse_pdb.py、download_structure.py 可直接参考。

五、结合位点分析：让 AI 跑 fpocket + P2Rank 排序口袋

药物发现的经典第一步：在无配体（apo）结构上从头找口袋。提示词示例：

"找出这个 apo 结构上所有可成药（druggable）口袋，按 druggability 排序。"

AI 会调用fpocket（几何枚举 + druggability 评分）和P2Rank（机器学习 ligandability 评分）交叉验证，解析输出并给出排序假设清单，参考实现 detect_pockets.py。

🔍 三条必须记住的"结果解读原则"（来自 binding-site-detection/SKILL.md）：

• 几何口袋 ≠ 功能位点：晶体里的硫酸盐/甘油结合槽也会被检测出来，top 口袋只是待验证的假设；
• druggability 分数有系统性偏差：评分模型主要在"已结合配体"结构上训练，对 apo、浅口袋、别构位点会打低分——分数低 ≠ 没有位点；
• 隐秘口袋（cryptic pocket）单帧结构看不见：它只在结合态/分子动力学轨迹中才打开，需要用 mdpocket 在构象系综上检测。

如果结构里已经有配体，就别做从头检测了——直接问 AI "找出配体周围 5 Å 内的所有残基"，走 interface-analysis 即可，那是最可靠的真实结合位点。

六、还能怎么问？更多实用提示词

"这个 AlphaFold 模型够不够格做分子对接？" "把 PDB 转成 mmCIF，并保留所有多字符链 ID" "去掉水分子，但保留金属离子和辅因子" "为对接在 pH 7.4 下加氢并分配质子化状态" "检验这个结构的分辨率和 B 因子，我关心的 loop 区可信吗？" "用 ESMFold 预测这条序列，再和 AlphaFold3 的结果对比 pLDDT/PAE"

这些提示词分别会命中 preparation、validation、pocket、prediction 等不同技能，AI 自动挑选正确的工具链。完整清单见 structural-biology/README.md 的 Example Prompts 一节。

七、小结

bioSkills 把结构生物学的"老专家经验"打包成了 AI 可用的技能：

1. 安装：git clone+ 一条安装脚本，零门槛；
2. AlphaFold 预测：一句话获取 AFDB 模型，pLDDT/PAE 自动正确解读；
3. PDB 解析：mmCIF 优先、生物装配把关，避开新手大坑；
4. 结合位点分析：fpocket + P2Rank 双工具排序，结果自带"这是假设不是结论"的科学克制。

🚀 想进一步玩？试试用 chemoinformatics 里的虚拟筛选技能，把第五步找到的口袋直接对接进分子库——这就是 bioSkills 的"技能串联"威力。