Fähigkeiten alphafold-database

🧬

alphafold-database

Name: alphafold-database
Author: K-Dense-AI

Sicher 🌐 Netzwerkzugriff⚙️ Externe Befehle📁 Dateisystemzugriff

Доступ к белковым структурам AlphaFold по идентификатору UniProt

Auch verfügbar von: davila7

Исследователям необходим эффективный доступ к вычислительным прогнозам белковых структур для открытия лекарств и исследований структурной биологии. Этот навык обеспечивает прямой доступ к более чем 200 млн ИИ-предсказанных белковых структур базы данных AlphaFold, позволяя получать их по идентификатору UniProt, загружать файлы координат и анализировать показатели достоверности.

Unterstützt: Claude Codex Code(CC)

📊 69 Angemessen

Die Skill-ZIP herunterladen

In Claude hochladen

Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen

Einschalten und loslegen

Teste es

Verwendung von "alphafold-database". Download the AlphaFold structure for P00520 and analyze confidence

Erwartetes Ergebnis:

AlphaFold ID: AF-P00520-F1
Protein: Tyrosine-protein kinase ABL1 (Human)
Sequence length: 1130 residues
pLDDT Analysis:
- Very high confidence (>90): 67% of residues
- High confidence (70-90): 18% of residues
Structure saved to: ./structures/AF-P00520-F1-model_v4.cif

Verwendung von "alphafold-database". Download E. coli proteome using Google Cloud

Erwartetes Ergebnis:

taxonomy ID: 83333
Downloading from: gs://public-datasets-deepmind-alphafold-v4/proteomes/
Files matched: 4123
Downloading proteome-tax_id-83333-*.tar (45 GB total)
Progress: 45.2 GB / 45.2 GB (100%)
Extracted 4123 structure archives to ./proteomes/

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.

Gescannte Dateien

1,160

Analysierte Zeilen

befunde

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

Architektur

100

Wartbarkeit

Inhalt

Community

100

Sicherheit

Spezifikationskonformität

Was du bauen kannst

Получение белковых структур для докинга

Загружать структуры белков-мишеней для вычислительных исследований доктинга и анализировать конформации сайтов связывания.

Анализ достоверности прогнозов

Оценивать показатели pLDDT и PAE для определения достоверных структурных областей для последующего анализа.

Построение автоматизированных конвейеров

Интегрировать доступ к AlphaFold в вычислительные рабочие процессы для крупномасштабного анализа белков.

Probiere diese Prompts

Получить структуру одного белка

Download the AlphaFold structure for UniProt ID P00520 in mmCIF format and show the pLDDT confidence scores.

Сравнить несколько белков

Download structures for P00520, P12931, and P04637. Compare their average pLDDT scores and identify high-confidence regions.

Массовая загрузка по виду

Download all AlphaFold predictions for E. coli (taxonomy ID 83333) using Google Cloud bulk access.

Интегрировать с аналитическим конвейером

Create a Python script that takes a list of UniProt IDs, downloads their structures, extracts CA coordinates, and calculates inter-residue distances.

Bewährte Verfahren

Используйте Biopython для простого доступа к отдельным белкам (более чистый API, чем прямые HTTP-вызовы)
Кэшируйте загруженные файлы локально, чтобы избежать повторных API-запросов и ограничений скорости
Для массовых загрузок более 100 белков используйте Google Cloud Storage вместо REST API

Vermeiden

Избегайте использования shell=True с subprocess при вызове gsutil (используйте списковую форму)
Не игнорируйте показатели pLDDT при интерпретации структур (области с низкой достоверностью могут быть ненадёжными)
Избегайте загрузки отдельных файлов для целых протеомов (используйте tar-архивы из Google Cloud)

Häufig gestellte Fragen

В чём разница между форматами PDB и mmCIF?

PDB — устаревший формат с ограничением в 99 999 атомов. mmCIF — современный стандарт, поддерживающий более крупные структуры с полными метаданными.

Насколько достоверны прогнозы AlphaFold?

Прогнозы с pLDDT >90 очень достоверны. Области ниже 50 могут быть неупорядоченными. Всегда проверяйте показатели достоверности.

Можно ли использовать структуры AlphaFold для доктинга лекарств?

Да, но проверяйте области с высокой достоверностью. Области с низкой достоверностью могут не отражать истинную структуру. Рассмотрите несколько моделей.

Каково ограничение скорости для AlphaFold API?

Официальные ограничения не опубликованы. Используйте не более 10 одновременных запросов с задержками 100-200 мс между вызовами.

Как загрузить протеом целого вида?

Используйте Google Cloud: gsutil cp gs://public-datasets-deepmind-alphafold-v4/proteomes/proteome-tax_id-*.tar .

Поддерживает ли этот навык мультицепочечные белковые комплексы?

Нет. База данных AlphaFold предоставляет только одноцепочечные прогнозы. Для комплексов моделируйте каждую цепь отдельно.