Binding site prediction
通过P2Rank、AF2BIND和fpocket预测蛋白质结合位点与口袋
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：通过P2Rank、AF2BIND和fpocket预测蛋白质结合位点与口袋 完整的 Skill 内容见：https://321skill.com/skills/binding-site-prediction-x-6/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
‘请使用这个PDB文件（1abc.pdb），运行P2Rank和AF2BIND预测其可能的药物结合口袋，并生成结果摘要。’，它会调用SciMiner工作流，并行执行两种算法的预测任务，最终返回结合位点的坐标、置信度评分以及可交互的可视化链接。
介绍
该Skill旨在解决生物信息学研究中蛋白质结构功能分析的核心问题，即快速、准确地预测蛋白质表面的潜在结合位点（Binding Site）和口袋（Pocket）。这对于理解蛋白质功能、药物靶点发现和分子对接至关重要。
它通过集成P2Rank、AF2BIND和fpocket三种主流算法，并利用SciMiner平台进行封装，为用户提供了一站式的预测工作流。用户只需提供蛋白质结构文件，即可并行或选择性地运行不同算法，获取互补的预测结果，并进行可视化分析。
该Skill特别适合从事结构生物学、计算生物学、药物设计等领域的学术研究者、数据分析师和高校学生。无论是进行基础研究、药物靶点筛选，还是完成课程项目或毕业设计，都能从中受益。
使用建议：建议用户根据预测目标（如小分子结合位点、蛋白质-蛋白质相互作用界面）选择最合适的算法组合。对于高精度需求，可优先使用基于深度学习的AF2BIND；对于快速扫描，fpocket效率更高。注意事项：预测结果需结合生物学背景知识进行解读，且输入蛋白质结构的质量（分辨率、完整性）会直接影响预测准确性。
核心特点
核心区别在于集成了三种原理互补的预测算法（P2Rank基于机器学习、AF2BIND基于AlphaFold2、fpocket基于几何），并通过SciMiner提供了统一的工作流，允许用户在一次操作中对比多种方法的预测结果，提高了分析的全面性和可靠性。
注意事项
不适合用于预测非蛋白质分子（如RNA、DNA）的结合位点，且对输入蛋白质结构的完整性和质量有较高依赖。
常见问题
这个Skill支持哪些输入文件格式？
主要支持PDB格式的蛋白质结构文件。
三种预测算法有什么区别？
P2Rank基于机器学习特征，AF2BIND基于AlphaFold2的共进化信息，fpocket基于几何与理化性质探测，三者侧重点不同，结果可互为补充。
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-6/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-6/raw/index.md（查看排版版本）