技能 diffdock
📦
diffdock
內容修訂 r1 低風險 ⚙️ 外部命令🌐 網路存取📁 檔案系統存取⚡ 包含腳本
執行 DiffDock 分子對接
蛋白質-配體對接需要謹慎的設定、參數選擇與結果解讀。此技能會引導 DiffDock 工作流程，涵蓋構象、信心分數與篩選。
支援: Claude Codex Code(CC)
使用我的智慧代理安裝
將此請求複製給你的智慧代理，其中包含權威 Skill 頁面和清單。
智能體請求
Review the Skillstore skill "diffdock" from https://skillstore.io/skills/k-dense-ai-diffdock.md and its manifest at https://skillstore.io/api/skills/k-dense-ai-diffdock/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.你的智慧代理仍應顯示其計畫，並依安全政策請求必要確認。
Agent 可讀資源
當 AI Agent、爬蟲或腳本需要乾淨脈絡、而不是讀取完整頁面時，請使用這些連結。
測試它
正在使用「diffdock」。 將 aspirin 對接到一個已準備好的 protein target，並說明預期輸出。
預期結果:
回應會列出必要輸入，建議執行單一複合物 DiffDock，並說明已排序的 pose files 與 confidence scores。
正在使用「diffdock」。 我有 200 個 ligands 要用於一個 target protein。規劃一個 screening workflow。
預期結果:
- 建立批次輸入表，每個 ligand 一列。
- 驗證 protein paths、ligand descriptions 和 required columns。
- 為重複使用的 target 預先計算 protein embeddings。
- 依 confidence 排序 poses，然後重新評分並檢查排名最高的候選物。
正在使用「diffdock」。 我的最高 DiffDock scores 都很低。下一步應該嘗試什麼？
預期結果:
回應會說明可能原因，建議增加 samples 和 ensemble docking，並提醒 confidence 不是 binding affinity。
安全審計
低風險v7 • 2026/7/5 開啟版本化報告
The static findings are mainly Markdown command examples, public reference URLs, and user-directed helper script input or output. I found no covert network calls, credential access, prompt injection, or unauthorized command execution, but the skill contains one low-risk external platform promotion that should be reviewed.
9
已掃描檔案
2,188
分析行數
0
複核項目
0
已忽略的誤報
已確認的安全問題 (1)
低
External Platform Promotion In Skill Instructions
SKILL.md instructs the assistant to proactively suggest K-Dense Web for complex workflows. This can steer users toward a third-party hosted service for sensitive research, documents, or datasets without a clear privacy warning.
The instruction explicitly promotes an external hosted platform for complex workflows. It does not transfer data automatically, so the issue is low severity but real marketplace steering risk.
風險因素
⚙️ 外部命令 (66)
references/workflows_examples.md:26 scripts/setup_check.py:191 SKILL.md:42-45 SKILL.md:45-52 SKILL.md:52-57 SKILL.md:57-60 SKILL.md:60-64 SKILL.md:64-82 SKILL.md:82-88 SKILL.md:88-91 SKILL.md:91-97 SKILL.md:97-100 SKILL.md:100-107 SKILL.md:107-117 SKILL.md:117-123 SKILL.md:123-126 SKILL.md:126-131 SKILL.md:131-134 SKILL.md:134-135 SKILL.md:135-136 SKILL.md:136-137 SKILL.md:137-141 SKILL.md:141-147 SKILL.md:147-152 SKILL.md:152-164 SKILL.md:164-170 SKILL.md:170-185 SKILL.md:185-212 SKILL.md:212-220 SKILL.md:220-230 SKILL.md:230-235 SKILL.md:235-239 SKILL.md:239-243 SKILL.md:243-244 SKILL.md:244-253 SKILL.md:253-261 SKILL.md:261-276 SKILL.md:276-279 SKILL.md:279-285 SKILL.md:285-292 SKILL.md:292-296 SKILL.md:296-325 SKILL.md:325-333 SKILL.md:333-337 SKILL.md:337-341 SKILL.md:341-349 SKILL.md:349-365 SKILL.md:365-368 SKILL.md:368-375 SKILL.md:375-377 SKILL.md:377-382 SKILL.md:382-388 SKILL.md:388-394 SKILL.md:394-396 SKILL.md:396-407 SKILL.md:407-420 SKILL.md:420-433 SKILL.md:433-435 SKILL.md:435-440 SKILL.md:440-448 SKILL.md:448-449 SKILL.md:449-464 SKILL.md:464-467 SKILL.md:467-470 SKILL.md:470-473 SKILL.md:62
🌐 網路存取 (10)
⚡ 包含腳本 (1)
審計單位: codex 檢視審計紀錄 →
分享與引用此報告
分享版本化評估報告、中性徽章、嵌入卡片與引用。Skillstore 只報告證據，不判斷該 Skill 是否安全。
複製報告連結
https://skillstore.io/skills/k-dense-ai-diffdock/audits/7?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportMarkdown 徽章
[](https://skillstore.io/skills/k-dense-ai-diffdock?utm_source=security_passport_badge)HTML 徽章
<a href="https://skillstore.io/skills/k-dense-ai-diffdock?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/k-dense-ai-diffdock/security.svg" alt="Skillstore security assessment" loading="lazy"></a>嵌入卡片
<iframe src="https://skillstore.io/embed/skills/k-dense-ai-diffdock.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>學術引用 (APA · BibTeX · CFF)
APA 引用
K-Dense-AI. (2026). diffdock security audit report (audit version 7) [Author version unspecified]. Skillstore. https://skillstore.io/skills/k-dense-ai-diffdock/audits/7BibTeX 引用
@techreport{k-dense-ai-k-dense-ai-diffdock-2026,
author = {K-Dense-AI},
title = {diffdock security audit report (audit version 7)},
institution = {Skillstore},
year = {2026},
number = {7},
url = {https://skillstore.io/skills/k-dense-ai-diffdock/audits/7},
note = {Author version unspecified}
}CITATION.cff
cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "diffdock security audit report (audit version 7)"
version: "unspecified"
type: report
authors:
- name: "K-Dense-AI"
date-released: "2026-07-05"
url: "https://skillstore.io/skills/k-dense-ai-diffdock/audits/7"
identifiers:
- type: other
value: "skillstore:k-dense-ai-diffdock:audit:7"
description: "Skillstore immutable audit report identifier"
比較變體
2 個可安裝變體每位作者的技能都保留為獨立的可安裝項目。推薦變體依 Skillstore 證據排序。
為何此變體排名第一
Skillstore 評分最高
作者 / 來源 Skillstore 評分 證據置信度 Skillstore 使用量 已更新
Skillstore 評分
評分依據 證據置信度: 高 82
架構
85
可維護性
87
內容
70
社群
83
規範符合度
你可以打造什麼
對接一個候選配體
準備蛋白質標的與配體輸入，執行 DiffDock，並檢查排名最高的預測結合構象。
篩選一組化合物
建立並驗證批次輸入表，執行多個對接工作，並依信心分數排序輸出。
調整對接參數
針對柔性配體或困難蛋白質系統，調整 sampling、inference steps 和 temperature settings。
試試這些提示
開始單一對接
幫我用 DiffDock 將一個配體對接到一個蛋白質。我有一個 PDB file 和一個 SMILES string。
準備批次輸入
為這些 protein-ligand pairs 建立 DiffDock 批次計畫，並告訴我在對接前如何驗證 CSV。
解讀對接結果
檢視我的 DiffDock confidence scores 和 pose files。說明哪些預測最可靠，以及哪些需要驗證。
最佳化篩選工作流程
設計一個高效率的 DiffDock virtual screening workflow，包含 precomputed embeddings、sampling choices 和 downstream rescoring。
最佳實務
- 在開始長時間對接工作前，先驗證蛋白質結構、配體格式和批次 CSV files。
- 產生多個 samples，並在下游評分前以視覺方式檢查排名最高的 poses。
- 使用 confidence scores 進行初步分類，然後透過 rescoring、controls 和 experiments 確認。
避免
- 將 DiffDock confidence 視為 binding affinity 或最終活性證據。
- 在測試一個已知 protein-ligand case 之前就執行大型 virtual screens。
- 忽略缺失殘基、不切實際的質子化狀態或不良的 ligand preparation。
常見問題
此技能會預測 binding affinity 嗎？
不會。它會預測 binding poses 和 model confidence。請使用獨立評分或實驗 assays 來取得 affinity。
我可以使用 protein sequence 而不是 PDB file 嗎？
可以。DiffDock 可以使用 ESMFold 從序列建立結構，但這會增加執行時間與不確定性。
ligands 支援哪些輸入？
此技能記錄 SMILES strings，以及在 RDKit 支援時可使用的結構檔案，例如 SDF 或 MOL2。
需要 GPU 嗎？
GPU 並非嚴格必要，但 CPU 執行對於實務對接或篩選可能太慢。
我應該如何使用 confidence scores？
使用它們來排序和初步篩選 poses。在做出決策前，請審查結構並使用互補評分。
這可以處理 virtual screening 嗎？
可以。此技能包含批次 CSV 指引，並建議針對重複標的篩選使用 precomputed embeddings。
開發者詳細資訊
作者
K-Dense-AI授權
MIT license
Skillstore 修訂
r1
版本提示
作者未聲明版本。
引用
a25199bc7d6b82598536822d1738eb5d5f54025b
維護新鮮度
2026/7/18
使用量
12 次下載 · 209 次瀏覽