diffdock
Прогнозирование поз связывания молекул с помощью ИИ-докинга
Также доступно от: davila7
DiffDock использует передовые диффузионные модели для прогнозирования того, как малые молекулы связываются с белками в трехмерном пространстве. Исследователи могут ускорить разработку лекарств, генерируя точные позы связывания с показателями достоверности для разработки лекарств на основе структуры.
Скачать ZIP навыка
Загрузить в Claude
Перейдите в Settings → Capabilities → Skills → Upload skill
Включите и начните использовать
Протестировать
Использование «diffdock». Dock aspirin to COX-2 protein
Ожидаемый результат:
- Сгенерировано 10 поз связывания для комплекса аспирин-COX-2
- Достоверность лучшего прогноза: 0.85 (Высокая достоверность)
- Сайт связывания: Активный сайт рядом с остатками Arg120 и Tyr355
- Рекомендуется проверка: Визуализируйте топ-3 позы для структурной правдоподобности
Использование «diffdock». Screen library of 100 fragments against kinase target
Ожидаемый результат:
- Обработано 100 комплексов лиганд-белок по 20 образцов каждый
- Среднее время обработки: 45 секунд на комплекс на GPU
- Высокодостоверные попадания: 12 соединений со score выше 0
- Топ-5 попаданий экспортировано в screening_hits.csv
Аудит безопасности
БезопасноThe 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.
Факторы риска
⚙️ Внешние команды (4)
🌐 Доступ к сети (2)
📁 Доступ к файловой системе (2)
⚡ Содержит скрипты (1)
Оценка качества
Что вы можете построить
Кампании виртуального скрининга
Скрининг тысяч соединений против целевых белков для выявления перспективных кандидатов для дальнейшего изучения
Прогнозирование сайта связывания
Прогнозирование места связывания малых молекул с белковыми структурами для понимания механизмов и направления экспериментов
Оптимизация лидеров
Генерация поз связывания для модификации соединений с целью улучшения взаимодействия с целевыми белками
Попробуйте эти промпты
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
Лучшие практики
- Всегда проверяйте окружение с помощью setup_check.py перед большими пакетными задачами
- Используйте 20-40 образцов на комплекс для важных прогнозов
- Комбинируйте со функциями оценки, такими как GNINA, для оценки сродства
- Визуализируйте топ-3-5 поз для проверки структурной правдоподобности
Избегать
- Использование показателей достоверности как прямых измерений сродства связывания
- Запус�� большого виртуального скрининга без доступа к GPU
- Предположение, что одиночный прогноз правильный без рассмотрения альтернатив
- Игнорирование подготовки белка и проблем с отсутствующими остатками
Часто задаваемые вопросы
В чем разница между достоверностью и сродством?
Сколько образцов нужно генерировать на комплекс?
Могу ли я использовать белковые последовательности вместо файлов PDB?
Какие форматы лигандов поддерживаются?
Как интерпретировать отрицательные показатели достоверности?
Может ли DiffDock прогнозировать сродство связывания?
Сведения для разработчиков
Автор
K-Dense-AIЛицензия
MIT license
Репозиторий
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/diffdockСсылка
main
Структура файлов