mcpField
T
tooluniverse-protein-therapeutic-design

tooluniverse-protein-therapeutic-design

github.com/mims-harvardその他1.8k399 回インストール2 日前に更新
リポジトリ

tooluniverse-protein-therapeutic-design について

治療用タンパク質や結合タンパク質を新規設計する ToolUniverse スキルです。標的分析から骨格・配列設計、検証までを支援し、計算予測と実験的証拠を分けて扱います。

主な機能

  1. 01標的とエピトープの解析
  2. 02RFdiffusionによる骨格生成
  3. 03ProteinMPNNによる配列最適化
  4. 04構造検証と開発適性の評価
  5. 05証拠を分けた設計レポート

活用シーン

  1. 01標的に結合するタンパク質の設計
  2. 02治療用タンパク質足場の生成
  3. 03機能に向けたタンパク質配列の最適化

MCP 対応

ToolUniverse スキルとして、構造検索、骨格生成、配列設計、検証に ToolUniverse のツールを使う手順を示します。

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/mims-harvard/tooluniverse --skill tooluniverse-protein-therapeutic-design

インストール後、Claude Code で/tooluniverse-protein-therapeutic-designを入力して読み込まれたか確認します。

同梱ファイル

SKILL.md と一緒にインストールされる参考資料やスクリプト。

CHECKLIST.md
DESIGN_PROCEDURES.md
design_templates.md
EXAMPLES.md
TOOLS_REFERENCE.md

詳細

治療用タンパク質デザイナー

RFdiffusion によるバックボーン生成、ProteinMPNN による配列最適化、治療用タンパク質開発に向けた構造検証を活用する、AI ガイド付きの de novo タンパク質設計です。

主な原則：

  1. 構造優先 - 配列を設計する前にバックボーンの形状を生成します
  2. 標的に基づく設計 - 標的構造を考慮して結合タンパク質を設計します
  3. 反復検証 - 構造を予測して設計を検証します
  4. 開発可能性を考慮 - 凝集、免疫原性、発現を考慮します
  5. エビデンスを分離 - フォールディング、結合ポーズ、幾何構造、プロトン化、実験的エビデンスを個別に報告します
  6. 実行可能な出力 - 実験試験にすぐ使える配列を提供します
  7. 英語を優先したクエリ - ツール呼び出しでは常に英語の用語を使用します

治療用タンパク質の設計は、標的との相互作用から始まります。どの結合表面を覆う必要がありますか？小さなポケットならナノボディまたはペプチド、大きく平坦な表面なら設計タンパク質が適しています。安定性、免疫原性、製造可能性によって設計空間が制約されます。

推測せず、調べる

科学的事実に確信が持てない場合は、記憶に基づいて推論するのではなく、まずデータベースを検索してください。データベースで検証した回答は、推測よりも常に信頼できます。

説明せず、計算する

分析に計算（統計、データ処理、スコアリング、濃縮など）が必要な場合は、Bash 経由で Python コードを記述して実行してください。実行する内容を説明するのではなく、実際に実行して結果を報告してください。ToolUniverse ツールでデータを取得し、Python（pandas、scipy、statsmodels、matplotlib）で分析してください。

使用する場面

ユーザーから次の依頼があった場合に使用します。

  • タンパク質結合因子、治療用タンパク質、または足場を設計する
  • タンパク質配列の機能を最適化する
  • de novo 酵素を設計する
  • 標的結合用のタンパク質バリアントを生成する

ワークフローの概要

Phase 1: Target Characterization
  Get structure (PDB, EMDB cryo-EM, AlphaFold), identify binding epitope

Phase 2: Backbone Generation (RFdiffusion)
  Define constraints, generate >= 5 backbones, filter by geometry

Phase 3: Sequence Design (ProteinMPNN)
  Design >= 8 sequences per backbone, sample with temperature control

Phase 4: Structure Validation (ESMFold/AlphaFold2)
  Predict structure, compare to backbone, assess pLDDT/pTM

Phase 5: Developability Assessment
  Aggregation, pI, expression prediction

Phase 6: Report Synthesis
  Ranked candidates, FASTA, experimental recommendations

重要な要件

反復設計キャンペーン、予測の不一致、糖鎖修飾された受容体の確認、条件付き pH 結合、または競合試験の準備には、このワークフローと併せて Protein Design Campaign を使用してください。例を実行する前に、インストール済みツールのスキーマを確認してください。モデルの信頼度や実行の成功は、結合を立証するものではありません。

レポート優先のアプローチ（必須）
  1. まずセクション見出しを含む [TARGET]_protein_design_report.md を作成します
  2. 設計の生成に合わせて段階的に更新します
  3. [TARGET]_designed_sequences.fasta と [TARGET]_top_candidates.csv を出力します
設計の文書化（必須）

すべての設計に、配列、長さ、標的、手法、入手可能な品質指標（pLDDT、pTM、MPNN スコア、結合予測）を含める必要があります。入手できない指標は未測定または未計算と明記してください。結合予測や実験値を捏造してはいけません。

NVIDIA NIM ツール

ツール用途主なパラメーター
NvidiaNIM_rfdiffusion (NVIDIA_API_KEY env var が必要。build.nvidia.com で無料キーを取得できます)バックボーン生成contigs + input_pdb（両方必須）、diffusion_steps（num_steps ではありません。デフォルトは 15）
NvidiaNIM_proteinmpnn (NVIDIA_API_KEY env var が必要。build.nvidia.com で無料キーを取得できます)配列設計input_pdb（必須。pdb や pdb_string ではありません）、num_seq_per_target、sampling_temp（リスト）
ESMFold_predict_structure高速検証sequence（seq ではありません）
NvidiaNIM_alphafold2 (NVIDIA_API_KEY env var が必要。build.nvidia.com で無料キーを取得できます)配列からの高精度な構造推論sequence、algorithm
NvidiaNIM_esm2_650m (NVIDIA_API_KEY env var が必要。build.nvidia.com で無料キーを取得できます)配列埋め込みsequences、format
よくあるパラメーターの誤り
ツール誤り正しい指定
NvidiaNIM_rfdiffusion (NVIDIA_API_KEY が必要)num_steps=50diffusion_steps=50（必須の contigs と input_pdb も指定）
NvidiaNIM_proteinmpnn (NVIDIA_API_KEY が必要)pdb=content または pdb_string=contentinput_pdb=content
ESMFold_predict_structureseq="MVLS..."sequence="MVLS..."
NvidiaNIM_alphafold2 (NVIDIA_API_KEY が必要)seq="MVLS..."sequence="MVLS..."
NVIDIA NIM の要件
  • API キー：NVIDIA_API_KEY 環境変数が必要です
  • レート制限：40 RPM（呼び出し間隔は最低 1.5 秒）
  • AlphaFold2 は 202 を返す場合があります（ポーリングが必要）。RFdiffusion と ESMFold は同期処理です

サポートツール

ツール目的主なパラメーター
PDBe_get_uniprot_mappingsPDB 構造を検索uniprot_id
RCSBData_get_entryPDB ファイルをダウンロードpdb_id
alphafold_get_predictionAlphaFold DB 構造を取得accession
EMDB_search_structuresクライオ電子顕微鏡マップを検索query
EMDB_get_structureエントリーの詳細を取得entry_id
UniProt_get_entry_by_accessionターゲット配列を取得accession
InterPro_get_protein_domainsドメインを取得accession

フォールディングと開発適性のスクリーニング

これらは計算によるスクリーニング段階の例であり、結合エビデンスの等級や、校正済みの成功確率ではありません。適切なコントロールを用いてスクリーニングのベンチマークを行ってください。 モノマーの pLDDT/pTM だけでは、複合体のポーズ、親和性、種を越えた結合、pH 選択性を立証できません。エビデンスが不足している場合も含め、これらの要素は個別に報告してください。

段階基準
T1（このスクリーニングで最も強い）pLDDT >85、pTM >0.8、凝集性が低い、中性の pI
T2pLDDT >75、pTM >0.7、開発適性が許容範囲
T3pLDDT >70、pTM >0.65、開発適性に懸念あり
T4検証に失敗、または開発適性に重大な問題あり

完了チェックリスト

  • ターゲット構造を取得済み（PDB または予測構造）
  • 結合エピトープを特定済み
  • バックボーンを 5 個以上生成し、上位 3～5 個を選定済み
  • 各バックボーンにつき配列を 8 個以上生成し、MPNN スコアを報告済み
  • すべての配列を検証済み（ESMFold）。pLDDT/pTM を報告し、合格数が 3 個以上
  • 開発適性を評価済み（凝集性、pI、発現）
  • 候補のランキングリスト、FASTA ファイル、実験の推奨事項を用意済み

参考ファイル

  • DESIGN_PROCEDURES.md - フェーズごとのコード例、サンプリングパラメーター、フォールバックチェーン
  • TOOLS_REFERENCE.md - コード例付きのツールドキュメント全体
  • EXAMPLES.md - 設計ワークフローと出力のサンプル
  • CHECKLIST.md - フェーズごとの詳細なチェックリストと品質指標
  • design_templates.md - レポートテンプレートと出力形式の例

コメント

Markdown 対応