Binding site prediction
SciMiner驱动的蛋白质结合位点预测工作流
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：Binding site prediction。 它的用途是：SciMiner驱动的蛋白质结合位点预测工作流 完整的 Skill 内容见：https://321skill.com/skills/binding-site-prediction-x-5/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
'请使用Binding site prediction skill预测PDB 1AKE的结合位点。' 它会自动调用SciMiner工作流，依次运行P2Rank、AF2BIND和fpocket，输出每个方法的预测结果，包括位点坐标、口袋体积和疏水性评分，最后生成对比表格供用户选择。
介绍
本技能解决蛋白质结构分析中结合位点与口袋预测的痛点，整合P2Rank、AF2BIND和fpocket三种主流方法，通过SciMiner框架统一调度，避免科研人员手动切换多个工具。用户只需输入蛋白质结构文件（如PDB格式），技能会自动调用各算法进行预测，并输出候选位点坐标、口袋体积、疏水性等关键参数，支持批量处理。
使用流程：安装SciMiner及依赖后，通过命令行或Python API传入蛋白质结构路径，指定预测方法（如P2Rank或集成模式），即可获得结果。所有中间文件和分析日志自动保存，便于后续验证和可视化。
适合结构生物学家、计算化学家、药物研发人员以及生物信息学方向的研究生，尤其适用于早期药物靶点识别、酶功能注释和蛋白质-配体相互作用研究。
建议提前准备高分辨率蛋白质结构（X射线或冷冻电镜），对于无结构或低质量模型，预测准确率会下降；同时注意不同算法对口袋的定义存在差异，建议结合多种结果综合判断。
核心特点
不同于单一工具，本技能将P2Rank（基于随机森林）、AF2BIND（基于AlphaFold特征）和fpocket（基于几何）三套互补算法封装在SciMiner工作流中，一键运行并对比结果，无需手动安装和配置各工具环境。
注意事项
不适用于无三维结构的蛋白质或仅基于序列的预测场景，且对高度柔性的无序区域预测效果有限。
常见问题
安装需要哪些依赖？
需要Python 3.8+，并通过pip install sciminer安装核心框架，然后分别安装P2Rank、AF2BIND和fpocket可执行文件，具体安装步骤见各工具官方文档。
输入数据格式要求是什么？
支持标准的PDB格式蛋白质结构文件，也可通过AF2BIND直接输入AlphaFold2生成的蛋白质结构目录。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/binding-site-prediction-x-5/raw/index.md 读取 Binding site prediction 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/binding-site-prediction-x-5/raw/index.md（查看排版版本）