Fähigkeiten alphafold-database
🧬

alphafold-database

Sicher 🌐 Netzwerkzugriff⚙️ Externe Befehle📁 Dateisystemzugriff

AlphaFold-Proteinstrukturen nach UniProt-ID abrufen

Auch verfügbar von: davila7

Forscher benötigen effizienten Zugang zu berechneten Proteinstrukturvorhersagen für die Arzneimittelforschung und strukturelle Biologie. Dieser Skill bietet direkten Zugang zu AlphaFold DBs 200M+ KI-vorhergesagten Proteinstrukturen, ermöglicht das Abrufen nach UniProt-ID, das Herunterladen von Koordinatendateien und die Analyse von Konfidenzmetriken.

Unterstützt: Claude Codex Code(CC)
📊 69 Angemessen
1

Die Skill-ZIP herunterladen

2

In Claude hochladen

Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen

3

Einschalten und loslegen

Teste es

Verwendung von "alphafold-database". Lade die AlphaFold-Struktur für P00520 herunter und analysiere die Konfidenz

Erwartetes Ergebnis:

  • AlphaFold-ID: AF-P00520-F1
  • Protein: Tyrosin-Protein-Kinase ABL1 (Mensch)
  • Sequenzlänge: 1130 Reste
  • pLDDT-Analyse:
  • - Sehr hohe Konfidenz (>90): 67% der Reste
  • - Hohe Konfidenz (70-90): 18% der Reste
  • Struktur gespeichert unter: ./structures/AF-P00520-F1-model_v4.cif

Verwendung von "alphafold-database". Lade das E. coli-Proteom mit Google Cloud herunter

Erwartetes Ergebnis:

  • Taxonomie-ID: 83333
  • Herunterladen von: gs://public-datasets-deepmind-alphafold-v4/proteomes/
  • Übereinstimmende Dateien: 4123
  • Herunterladen von proteome-tax_id-83333-*.tar (45 GB gesamt)
  • Fortschritt: 45,2 GB / 45,2 GB (100%)
  • 4123 Strukturarchive nach ./proteomes/ extrahiert

Sicherheitsaudit

Sicher
v4 • 1/17/2026

This is a legitimate scientific skill for accessing the AlphaFold protein structure database. All 244 static findings are false positives. The analyzer misinterpreted markdown code formatting (backticks), standard Python HTTP library usage, and documented public API endpoints as security threats. The skill uses safe Biopython library calls, standard requests to authorized EBI APIs, and subprocess with list-form arguments for Google Cloud access.

3
Gescannte Dateien
1,160
Analysierte Zeilen
3
befunde
4
Gesamtzahl Audits

Risikofaktoren

🌐 Netzwerkzugriff (2)
SKILL.md:57-127 references/api_reference.md:38-105
⚙️ Externe Befehle (1)
SKILL.md:244-255
📁 Dateisystemzugriff (1)
SKILL.md:115-136
Auditiert von: claude Audit-Verlauf anzeigen →

Qualitätsbewertung

41
Architektur
100
Wartbarkeit
87
Inhalt
21
Community
100
Sicherheit
78
Spezifikationskonformität

Was du bauen kannst

Proteinstrukturen für Docking abrufen

Zielproteinstrukturen für computergestützte Docking-Studien herunterladen und Bindestellenkonformationen analysieren.

Vorhersagekonfidenz analysieren

pLDDT- und PAE-Metriken auswerten, um zuverlässige Strukturregionen für die nachgelagerte Analyse zu identifizieren.

Automatisierte Pipelines erstellen

AlphaFold-Zugang in rechnergestützte Arbeitsabläufe für groß angelegte Proteinanalysen integrieren.

Probiere diese Prompts

Einzelne Proteinstruktur abrufen 
Lade die AlphaFold-Struktur für UniProt-ID P00520 im mmCIF-Format herunter und zeige die pLDDT-Konfidenzwerte.
Mehrere Proteine vergleichen 
Lade die Strukturen für P00520, P12931 und P04637 herunter. Vergleiche ihre durchschnittlichen pLDDT-Werte und identifiziere Bereiche mit hoher Konfidenz.
Stapel-Download nach Spezies 
Lade alle AlphaFold-Vorhersagen für E. coli (Taxonomie-ID 83333) mit Google Cloud Bulk-Zugriff herunter.
In Analyse-Pipeline integrieren 
Erstelle ein Python-Skript, das eine Liste von UniProt-IDs annimmt, deren Strukturen herunterlädt, CA-Koordinaten extrahiert und Inter-Restdistanzen berechnet.

Bewährte Verfahren

  • Biopython für einfachen Einzelprotein-Zugriff verwenden (sauberere API als direkte HTTP-Aufrufe)
  • Heruntergeladene Dateien lokal zwischenspeichern, um wiederholte API-Anfragen und Rate-Limits zu vermeiden
  • Für Bulk-Downloads über 100 Proteine Google Cloud Storage anstelle der REST-API verwenden

Vermeiden

  • Vermeiden von shell=True mit subprocess beim Aufruf von gsutil (Listenform verwenden)
  • pLDDT-Werte bei der Interpretation von Strukturen nicht ignorieren (Bereiche mit niedriger Konfidenz können unzuverlässig sein)
  • Vermeiden, einzelne Dateien für ganze Proteome herunterzuladen (tar-Archive von Google Cloud verwenden)

Häufig gestellte Fragen

Was ist der Unterschied zwischen PDB- und mmCIF-Formaten?
PDB ist ein Legacy-Format mit 99.999 Atom-Limit. mmCIF ist der moderne Standard, der größere Strukturen mit vollständigen Metadaten unterstützt.
Wie zuverlässig sind AlphaFold-Vorhersagen?
Vorhersagen mit pLDDT >90 sind sehr zuverlässig. Regionen unter 50 können ungeordnet sein. Konfidenzmetriken immer überprüfen.
Kann ich AlphaFold-Strukturen für Arzneimittel-Docking verwenden?
Ja, aber Bereiche mit hoher Konfidenz validieren. Bereiche mit niedriger Konfidenz reflektieren möglicherweise nicht die wahre Struktur. Mehrere Modelle in Betracht ziehen.
Was ist das Rate-Limit für die AlphaFold-API?
Offizielle Limits werden nicht veröffentlicht. Maximal 10 gleichzeitige Anfragen mit 100-200ms Verzögerungen zwischen Aufrufen verwenden.
Wie lade ich ein komplettes Artenproteom herunter?
Google Cloud verwenden: gsutil cp gs://public-datasets-deepmind-alphafold-v4/proteomes/proteome-tax_id-*.tar .
Unterstützt dieser Skill Mehrketten-Proteinkomplexe?
Nein. AlphaFold DB bietet nur Einzelketten-Vorhersagen. Für Komplexe jede Kette separat modellieren.

Entwicklerdetails

Lizenz

MIT

Repository

https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/alphafold-database

Ref

main

Dateistruktur

📁 references/

📄 api_reference.md

📄 SKILL.md