diffdock
Prédire les poses de liaison moléculaire avec le dockage par IA
Également disponible depuis: davila7
DiffDock utilise des modèles de diffusion avancés pour prédire comment les petites molécules se lient aux protéines dans l'espace 3D. Les chercheurs peuvent accélérer la découverte de médicaments en générant des poses de liaison précises avec des scores de confiance pour la conception de médicaments basée sur la structure.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "diffdock". Dock aspirin to COX-2 protein
Résultat attendu:
- Generated 10 binding poses for aspirin-COX-2 complex
- Top prediction confidence: 0.85 (High confidence)
- Binding site: Active site near residues Arg120 and Tyr355
- Review recommended: Visualize top 3 poses for structural plausibility
Utilisation de "diffdock". Screen library of 100 fragments against kinase target
Résultat attendu:
- Processed 100 ligand-protein complexes with 20 samples each
- Mean processing time: 45 seconds per complex on GPU
- High confidence hits: 12 compounds with score above 0
- Top 5 hits exported to screening_hits.csv
Audit de sécurité
SûrThe static analysis flagged 295 potential issues, but ALL are FALSE POSITIVES. The scanner incorrectly identified scientific protein sequences (GFP containing 'SAM') as Windows SAM database references, scientific paper citations as weak cryptographic algorithms, standard Python loops as C2 beacon patterns, and markdown code block syntax as shell execution. This is a legitimate molecular docking research tool with no malicious intent or security vulnerabilities.
Facteurs de risque
⚙️ Commandes externes (4)
🌐 Accès réseau (2)
📁 Accès au système de fichiers (2)
⚡ Contient des scripts (1)
Score de qualité
Ce que vous pouvez construire
Campagnes de criblage virtuel
Cribler des milliers de composés contre des protéines cibles pour identifier des candidats médicaments prometteurs pour des études complémentaires
Prédiction du site de liaison
Prédire où les petites molécules se lient aux structures protéiques pour comprendre les mécanismes et guider les expériences
Optimisation de têtes de série
Générer des poses de liaison pour les modifications de composés afin d'améliorer les interactions avec les protéines cibles
Essayez ces prompts
Dock the ligand COc1ccc(C(=O)Nc2ccccc2)cc1 to the protein in protein.pdb and save results to results/docking/
Create a batch CSV for screening 50 compounds against protein.pdb, then run DiffDock with 20 samples per complex
Analyze the confidence scores from DiffDock results in results/batch/ and show the top 10 predictions
Create a custom config for docking flexible ligands with increased temperature and 30 inference steps
Bonnes pratiques
- Toujours valider l'environnement avec setup_check.py avant les grands travaux par lots
- Utiliser 20-40 échantillons par complexe pour les prédictions importantes
- Combiner avec des fonctions de scoring comme GNINA pour l'estimation de l'affinité
- Visualiser les 3-5 meilleures poses pour vérifier la plausibilité structurale
Éviter
- Utiliser les scores de confiance comme mesures directes de l'affinité de liaison
- Lancer un grand criblage virtuel sans accès GPU
- Supposer qu'une prédiction unique est correcte sans examiner les alternatives
- Ignorer la préparation des problèmes de préparation protéique et de résidus manquants