esm
توليد وتصميم البروتينات باستخدام ESM
متاح أيضًا من: K-Dense-AI
تتطلب هندسة البروتينات نماذج ذكاء اصطناعي متخصصة لتحليل العلاقات بين التسلسل والوظيفة والهيكل. توفر ESM نماذج لغوية بروتينية متقدمة لتوليد تسلسلات جديدة، والتنبؤ بالبنى، وتصميم بروتينات وظيفية من خلال الذكاء الاصطناعي متعدد الوسائط.
تنزيل ZIP المهارة
رفع في Claude
اذهب إلى Settings → Capabilities → Skills → Upload skill
فعّل وابدأ الاستخدام
اختبرها
استخدام "esm". تصميم إنزيم جديد ذو نشاط تحفيزي باستخدام ESM3
النتيجة المتوقعة:
- توليد تسلسل بـ 238 حمض أميني
- الهيكل المتوقع يُظهر طية إنزيمية نموذجية
- منطقة الكروموفور مصممة مع بقايا تحفيزية
- حفظ إلى novel_enzyme.pdb
- نتيجة الثقة: 0.84
استخدام "esm". العثور على بروتينات مشابهة لهذا التسلسل باستخدام التضمينات
النتيجة المتوقعة:
- توليد تضمين 512 بعد لتسلسل الاستعلام
- مقارنة ضد قاعدة بيانات بـ 100 بروتين
- العثور على 3 تطابقات عالية التشابه (>0.85 تشابه جيبي)
- أفضل تطابق: membrane_protein_variant_A
استخدام "esm". طي هذا الهيكل PDB عكسيًا
النتيجة المتوقعة:
- حمّل هيكل بـ 342 بقايا
- توليد تسلسل جديد يتطابق مع الطية
- هوية التسلسل: 42%
- الحفظ إلى designed_sequence.fasta
التدقيق الأمني
آمنThis is a legitimate scientific documentation skill for ESM protein language models. All findings are false positives: backticks are markdown formatting, eval() is PyTorch's model.eval() method, and the network+credentials+code pattern is expected for an API client. No malicious code, no credential harvesting, no suspicious system operations.
عوامل الخطر
🌐 الوصول إلى الشبكة (2)
📁 الوصول إلى نظام الملفات (2)
درجة الجودة
ماذا يمكنك بناءه
تصميم بروتينات جديدة
توليد تسلسلات بروتينية جديدة ذات خصائص مرغوبة باستخدام التوليد متعدد الوسائط من ESM3 عبر مسارات التسلسل والهيكل والوظيفة.
فحص متغيرات البروتين
إنشاء وتحليل مكتبات من متغيرات البروتين باستخدام التضمينات للتحليل والتشابه.
التنبؤ بالبنى
التنبؤ ببنية ثلاثية الأبعاد من التسلسلات أو تصميم تسلسلات لبنى معروفة باستخدام الطي العكسي.
جرّب هذه الموجهات
توليد تسلسل بروتيني من 200 حمض أميني لبروتين فلوري باستخدام ESM3. ابدأ بتسلسل مقنع واستخدم الشرط الوظيفي لخصائص البروتين الفلوري الأخضر.
التنبؤ بالهيكل ثلاثي الأبعاد لتسلسل البروتين هذا باستخدام مسار هيكل ESM3. أخرج الإحداثيات واحفظها بتنسيق PDB.
حمّل هيكل PDB هذا واستخدم الطي العكسي لتوليد تسلسل يطوي الهيكل المستهدف. استخدم درجة حرارة 0.7 للتنوع.
توليد تضمينات ESM C لهذه التسلسلات البروتينية وحساب التشابه الثنائي باستخدام التشابه الجيبي. اجمع التسلسلات المتشابهة معًا.
أفضل الممارسات
- ابدأ بنماذج أصغر (esm3-sm-open-v1) للنموذج الأولي قبل الإنتاج
- استخدم جدولة درجة الحرارة (من عالية إلى منخفضة) لجودة توليد أفضل
- تحقق من التسلسلات المولدة بالتنبؤ بالهيكل قبل العمل التجريبي
- احتفظ بالتضمينات للتحليلات المتكررة لتقليل تكاليف الحوسبة
تجنب
- استخدام البروتينات المولدة مباشرة في التطبيقات السريرية دون تحقق
- تجاهل اعتبارات السلامة الحيوية عند تصميم بروتينات جديدة
- معالجة تسلسلات طويلة جدًا بدون استراتيجيات التجزئة
- تجاهل معالجة الأخطاء لأخطاء ذاكرة GPU وحدود معدل API
الأسئلة المتكررة
ما النماذج المتاحة محليًا مقابل عبر API؟
ما حدود طول التسلسل النموذجية؟
هل يمكن لهذا التكامل مع خط أنابيب التعلم الآلي الموجود لدي؟
هل يتم إرسال بيانات البروتين الخاصة بي إلى خوادم خارجية؟
لماذا ينفد ذاكرة GPU لدي؟
كيف يقارن هذا بـ AlphaFold؟
تفاصيل المطور
المؤلف
davila7الترخيص
MIT
المستودع
https://github.com/davila7/claude-code-templates/tree/main/cli-tool/components/skills/scientific/esmمرجع
main
بنية الملفات