Virtual Screening
虚拟筛选工作流，加速药物发现
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：Virtual Screening。 它的用途是：虚拟筛选工作流，加速药物发现 完整的 Skill 内容见：https://321skill.com/skills/virtual-screening-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
'使用Virtual Screening，对ChEMBL数据库中针对EGFR靶点的前10000个化合物进行基于Transformer的活性预测，并输出排名前100的候选分子SMILES。'，它会自动加载预训练模型、读取化合物库、执行推理并生成结果文件。
介绍
虚拟筛选（Virtual Screening）是药物发现早期阶段的关键技术，旨在从海量化合物库中快速识别出可能具有生物活性的候选分子，从而大幅降低实验筛选的成本和时间。本仓库提供的Skill封装了基于Transformer的深度学习筛选和基于分子对接（docking）的传统筛选两类工作流，通过SciMiner框架实现自动化运行，支持开放化学库（如ZINC、ChEMBL）以及专有私有库的接入。
使用方式非常直观：用户只需提供待筛选的化合物文件（如SMILES、SDF格式）或指定化学库名称，Skill即可自动调用Transformer模型进行活性预测，或对接目标蛋白结构进行结合能评分。整个流程可配置参数，包括模型选择、对接软件（如AutoDock Vina）、评分阈值等，最终输出候选化合物排名列表及可视化报告，支持批量处理和结果保存。
本Skill最适合以下人群：药物研发机构的计算化学家、生物信息学研究人员、从事早期药物发现的高校实验室，以及需要快速评估化合物库潜力的CRO公司。对于有Python基础且熟悉分子数据格式的用户，可快速上手；初学者也可通过预设的默认参数一键运行。
使用建议：确保运行环境具备足够的计算资源（建议GPU用于Transformer推理，多核CPU用于对接）；专有化学库需提前转换为标准格式（如SMILES）；对接受体文件需准备PDB格式并去除水分子。注意：本工作流仅提供初步筛选结果，最终活性需经实验验证。
核心特点
与普通虚拟筛选工具相比，本Skill同时集成了Transformer深度学习预测和经典分子对接两种互补方法，并支持通过SciMiner自动化调用专有化学库，用户无需编写复杂脚本即可完成端到端筛选。
注意事项
不适合需要高精度结合自由能计算或涉及大分子（如蛋白质-蛋白质相互作用）的动态模拟场景。
常见问题
这个Skill支持哪些化学库？
支持开放化学库如ZINC、ChEMBL，以及用户自己的专有化合物库（需提供SMILES或SDF文件）。
需要安装什么依赖？
需安装Python 3.8+、PyTorch、RDKit、AutoDock Vina等，具体见仓库requirements.txt。推荐使用conda环境。
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/virtual-screening-x-6/raw/index.md 读取 Virtual Screening 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/virtual-screening-x-6/raw/index.md（查看排版版本）