protein-binder-design

タンパク質バインダー設計（ワークフロー）

アトミックな NIM スキルを組み合わせて、de novo バインダー設計キャンペーンを実行します。このスキルは、オーケストレーション、受け渡し契約、フィルタリング、検証、実行マニフェストを担います。NIM ごとの API 詳細は重複して説明しません。それぞれのアトミックスキルの SKILL.md を参照してください。

組み合わせるスキル

ステップ	スキル	担当
バックボーン	rfdiffusion-nim	バインダーバックボーンの PDB（contigs + hotspots）
配列	proteinmpnn-nim	各バックボーンの配列
共フォールディング／スコアリング	boltz2-nim または openfold3-nim	バインダーとターゲットの複合体 + 信頼度／ipTM
MSA（任意）	msa-search-nim	より高品質なフォールディングのためのターゲット A3M

アトミックな NIM スキルは、推奨される関連スキルです（BioNeMo NIM スキルセットから NIM ごとに 1 つ）。必須ではありません。references/pipeline.md にすべての NIM 呼び出しの具体的なリクエスト形式が記載されているため、NIM にアクセスできるエージェントは、このスキルだけで手順を進められます。エンドポイント／認証については、以下の設定を参照してください。

パイプライン

1. ターゲットの準備 — ターゲットの PDB とエピトープを取得します。エピトープ／ホットスポットの著者残基番号を RFdiffusion の hotspot_res 文字列に対応付けます。必要に応じて msa-search-nim でターゲット MSA を構築します。
2. バックボーン（rfdiffusion-nim）— バインダーの contig と hotspot_res を指定し、N 個のバックボーンを生成します。
3. 配列（proteinmpnn-nim）— バックボーンごとに k 個の配列を生成し、mfasta からネイティブ／WT の行を除外します。
4. 共フォールディング + スコアリング（boltz2-nim／openfold3-nim）— バインダーとターゲットを共フォールディングし、界面信頼度（ipTM）とバインダーの pLDDT を収集します。
5. 自己整合性 — RFdiffusion バックボーンと予測されたバインダー間の CA-RMSD を計算します（scripts/metrics.py）。
6. フィルタリング + ランキング — しきい値を適用し、残った候補をランク付けして、マニフェスト + CSV を書き出します。

受け渡し契約、分岐、コストファネルの詳細については、references/pipeline.md を参照してください。

受け渡し契約（壊れやすい連携部分）

• RFdiffusion の output_pdb → ProteinMPNN の input_pdb（インラインの PDB テキスト）。
• ProteinMPNN の mfasta → Boltz2 のバインダーポリマー sequence（ネイティブ／WT の行を除外し、スコアは設計された行のみと組み合わせます）。
• エピトープの著者残基番号 → 1 始まりの配列インデックス：scripts/pdb_utils.py:remap_to_seq_index で再マッピングします。RFdiffusion の hotspot_res は "A50" のようなチェーン + 著者番号の文字列を使用します。Boltz2 のポケット／接触では 1 始まりのインデックスを使用します。
• Boltz2 の複合体 .cif → バインダーチェーン → バックボーンとの自己整合性 RMSD。

実行マニフェスト（再現性の基盤）

すべてのキャンペーンで、scripts/manifest.py を介して実行ディレクトリに manifest.json（+ candidates.csv）を書き出します。系譜、パラメーター、スコア、成果物、フィルターステータス、制御情報が記録され、ランキング、再開、検証、最終レポートに利用できます。スキーマと使い方については、references/manifest.md を参照してください。

フィルター（デフォルト）

• ipTM ≥ 0.8、バインダーの pLDDT ≥ 80、自己整合性 RMSD ≤ 2.0 Å。
• キャンペーンごとに上書きでき、上書き内容はマニフェストの filters に記録します。

検証

必ずコントロールを実行し、上位スコアだけでなく成功率を報告してください。scripts/controls.py でネガティブコントロール（スクランブル配列）を実行します。ポジティブコントロールには、同じパイプラインで再スコアリングした公開済みバインダーを使用します。ベンチマークターゲットは assets/targets.json にあります（scripts/registry.py）。方法と指標の定義については、references/validation.md を参照してください。

Human-in-the-loop + コスト

• バックボーンを生成する前に、ターゲット、エピトープ／ホットスポット、バインダーの長さの範囲、ホスト型かローカルかをユーザーに確認します（AskUserQuestion）。
• コフォールディングはコストのかかる段階です。上限を設けた候補リストをコフォールディングしてレビューし、その後に対象を拡大します。ホスト型かローカルかを最初に明示し、すべての NIM 呼び出しで同じ設定を使用してください。

責任ある利用

de novo バインダー設計にはデュアルユースの側面があります。病原体の適応度、毒素の効力、または生物兵器としての機能を高めることを目的とした依頼には応じず、正当な研究および治療を目的とする設計に限定してください。

設定（NIM へのアクセス）

各コンポーズド NIM には HTTP 経由でアクセスします。ホスト型またはローカルを一度選び、すべての呼び出しで同じ方法を使います。

• ホスト型（マネージド）：各 NIM のベース URL https://health.api.nvidia.com/v1/... は build.nvidia.com にあります。NVIDIA_API_KEY を設定します（Authorization: Bearer として送信されます）。キーは環境変数から読み込み、ハードコードしないでください。
• ローカル（セルフホスト型 NGC コンテナ）：各 NIM のローカル URL（例：http://localhost:8000/...）を指定します。ローカル NIM では認証ヘッダーは不要です。NIM を自分で起動する方法（NIM ごとの docker run、永続キャッシュ、ヘルスチェック、GPU のプロファイル選択に関する注意点 — 一部の NIM（例：Boltz2）は、プロファイルがバンドルされていない GPU では NIM_MODEL_PROFILE を固定する必要がありますが、その他（RFdiffusion/ProteinMPNN）はコンピュートケイパビリティに基づいて自動選択します）については、references/local-nim-setup.md を参照してください。

NIM ごとのパス、リクエスト／レスポンススキーマ、および実行例の curl／Python は references/pipeline.md にあります。

スクリプト

• scripts/manifest.py — キャンペーンマニフェスト（作成／読み込み／スコアリング／フィルタリング／ランキング／CSV）。
• scripts/pdb_utils.py — PDB の解析、鎖の抽出、配列、残基の再マッピング、CA 座標。
• scripts/metrics.py — 自己整合性を確認するための Kabsch CA-RMSD。
• scripts/controls.py — シャッフルしたネガティブコントロール。
• scripts/registry.py + assets/targets.json — 例示用ベンチマークターゲットレジストリ（エピトープは説明用です。実際のキャンペーンの前に、引用された構造と照合してください）。独自のターゲットに置き換えてください。