Answering Research Questions

回答研究问题

概述

协调从查询到研究发现的完整研究工作流。

核心原则： 系统化、可追踪、全面。搜索 → 评估 → 遍历 → 综合。

开始时说明：“我将使用 Answering Research Questions 技能，查找有关 [主题] 的 [具体数据]。”

流程

阶段 1：解析查询

从用户请求中提取：

关键词：

• 主要概念（例如，“BTK 抑制剂”“选择性”）
• 同义词和替代表述（例如，“Bruton 酪氨酸激酶”）
• 相关术语（例如，“脱靶”“激酶面板”）

所需数据类型：

• 具体测量值（IC50、KD、EC50 等）
• 方法或方案
• 结构或序列
• 结果或结论

限制条件：

• 日期范围
• 特定化合物/靶标
• 生物体或系统
• 出版物类型

如有需要，请提出澄清问题：

• “您需要体外还是体内数据？”
• “有特定的时间范围吗？”
• “您最关注哪些激酶？”
• “我应该使用哪个电子邮箱地址发送 Unpaywall API 请求？”（查找开放获取论文时必需）

阶段 2：初始化研究会话

建议文件夹名称：

research-sessions/YYYY-MM-DD-brief-description/

示例：research-sessions/2025-10-11-btk-inhibitor-selectivity/

向用户展示建议：

📁 Creating research folder: research-sessions/2025-10-11-btk-inhibitor-selectivity/
   Proceed? (y/n)

创建文件夹结构：

mkdir -p "research-sessions/YYYY-MM-DD-description"/{papers,citations}

初始化文件：

核心文件（始终创建）：

papers-reviewed.json：

{}

citations/citation-graph.json：

{}

SUMMARY.md：

# Research Query: [User's question]

**Started:** YYYY-MM-DD HH:MM
**Keywords:** keyword1, keyword2, keyword3
**Data types sought:** IC50 values, selectivity data, synthesis methods

---

## Highly Relevant Papers (Score ≥ 8)

Papers scored using `evaluating-paper-relevance` skill:
- Score 0-10 based on: Keywords (0-3) + Data type (0-4) + Specificity (0-3)
- Score ≥ 8: Highly relevant with significant data
- Score 7: Relevant with useful data
- Score 5-6: Possibly relevant
- Score < 5: Not relevant

(Papers will be added here as found)

Example format:
### [Paper Title](https://doi.org/10.1234/example)
**DOI:** [10.1234/example](https://doi.org/10.1234/example) | **PMID:** [12345678](https://pubmed.ncbi.nlm.nih.gov/12345678/)

---

## Relevant Papers (Score 7)

(Papers will be added here as found)

---

## Possibly Relevant Papers (Score 5-6)

(Noted for potential follow-up)

---

## Search Progress

- Initial PubMed search: X results
- Papers reviewed: Y
- Papers with relevant data: Z
- Citations followed: N

---

## Key Findings

(Synthesized findings will be added as research progresses)

重要：DOI 和 PMID 始终使用可点击的 Markdown 链接

辅助文件（针对大型搜索，>100 篇论文）：

关于何时创建，请参阅 evaluating-paper-relevance 技能：

• README.md - 项目概览、方法、文件清单
• TOP_PRIORITY_PAPERS.md - 按优先级分级整理的精选论文列表
• evaluated-papers.json - 便于程序化访问的丰富结构化数据

对于小型搜索（<50 篇论文），仅创建核心文件。对于大型搜索（>100 篇论文），辅助文件能显著提升组织效率。

阶段 3：检索文献

使用 searching-literature 技能：

1. 根据关键词构建 PubMed 查询
2. 执行搜索（从 100 条结果开始）
3. 将结果保存到 initial-search-results.json
4. 报告：“🔎 找到 N 篇符合查询条件的论文”

阶段 4：评估论文

使用 evaluating-paper-relevance 技能：

对于每篇论文：

1. 检查 papers-reviewed.json（如已处理，则跳过）
2. 阶段 1：为摘要评分（0–10）
3. 若评分 ≥ 7：进行阶段 2 深入分析
4. 将研究发现提取到 SUMMARY.md
5. 如有 PDF 和补充材料，则下载
6. 更新 papers-reviewed.json（所有论文均需更新，包括低分论文）
7. 若评分 ≥ 7：针对该论文继续执行阶段 5

重要：无论评分高低，都要将每篇论文添加到 papers-reviewed.json。这可避免重复评审，并记录完整的搜索历史。

报告每篇论文的进度：

📄 [15/100] Screening: "Paper Title"
   Abstract score: 8 → Fetching full text...
   ✓ Found IC50 data for 8 compounds
   → Added to SUMMARY.md

📄 [16/100] Screening: "Another Paper"
   Abstract score: 3 → Skipping (not relevant)

📄 [17/100] Screening: "Third Paper"
   Abstract score: 7 → Relevant, adding to queue...

每评估 10 篇论文，提供一次汇总进度

阶段 5：遍历引文

使用 traversing-citations 技能：

对于评分 ≥ 7 的论文：

1. 获取参考文献（向后追溯）
2. 获取引证文献（向前追溯）
3. 按相关性筛选（评分 ≥ 5）
4. 加入处理队列
5. 评估队列中的论文（返回阶段 4）

报告进度：

🔗 Following citations from highly relevant paper
   → Found 12 relevant references
   → Found 8 relevant citing papers
   → Adding 20 papers to queue

阶段 6：检查点

在以下情况下检查：

• 每评审 50 篇论文
• 每处理 5 分钟
• 队列清空

询问用户：

⏸️  Checkpoint: Reviewed 50 papers, found 12 relevant
    Papers with data: 7
    Continue searching? (y/n/summary)

选项：

• y - 继续处理
• n - 停止并完成整理
• summary - 显示当前研究发现，然后再决定

阶段 7：综合研究结果

停止时（用户表示不需要，或队列为空）：

选项 A：手动综合（小规模研究）

1. 查看 SUMMARY.md——按相关性和主题整理
2. 提取关键发现——按数据类型分组
3. 添加综合分析部分：

## Key Findings Summary

### IC50 Values for BTK Inhibitors
- Compound A: 12 nM (Smith et al., 2023)
- Compound B: 45 nM (Doe et al., 2024)
- [More compounds...]

### Selectivity Data
- Compound A shows >80-fold selectivity vs other kinases
- Tested against panel of 50 kinases (Jones et al., 2023)

### Synthesis Methods
- Lead compounds synthesized via [method]
- Yields: 30-45%
- Full protocols in [papers]

### Gaps Identified
- No data on selectivity vs [specific kinase]
- Limited in vivo data
- Few papers on resistance mechanisms

4. 更新搜索进度统计
5. 列出所有已下载文件

选项 B：基于脚本的综合（大型研究，论文超过 50 篇）

对于大型研究，可考虑创建综合分析脚本：

创建 generate_summary.py：

• 从辅助脚本中读取 evaluated-papers.json
• 按优先级和支架类型汇总研究发现
• 生成全面的 SUMMARY.md，其中包含：
  • 附带统计数据的执行摘要
  • 按相关性评分分组的论文
  • 后续步骤的优先级建议
  • 方法说明文档
• 包含时间戳和可复现性信息

优势：

• 不同研究期间的格式保持一致
• 添加更多论文后可轻松重新生成
• 可自定义分组和筛选逻辑
• 完整记录研究方法

最终报告：

✅ Research complete!

📊 Summary:
   - Papers reviewed: 127
   - Relevant papers: 18
   - Highly relevant: 7
   - Data extracted: IC50 values for 45 compounds, selectivity data, synthesis methods

📁 All findings in: research-sessions/2025-10-11-btk-inhibitor-selectivity/
   - SUMMARY.md (organized findings)
   - papers/ (14 PDFs + supplementary data)
   - papers-reviewed.json (complete tracking)

阶段 8：最终汇总

重要：务必在最后汇总研究结果

1. 创建 relevant-papers.json

筛选 papers-reviewed.json，仅提取相关论文（评分 ≥ 7）：

# Read papers-reviewed.json
with open('papers-reviewed.json') as f:
    all_papers = json.load(f)

# Filter for relevant papers (score >= 7)
relevant_papers = {
    doi: data for doi, data in all_papers.items()
    if data.get('score', 0) >= 7
}

# Save to relevant-papers.json
with open('relevant-papers.json', 'w') as f:
    json.dump(relevant_papers, f, indent=2)

格式：

{
  "10.1234/example1.2023": {
    "pmid": "12345678",
    "title": "Paper title",
    "status": "highly_relevant",
    "score": 9,
    "source": "pubmed_search",
    "timestamp": "2025-10-11T16:00:00Z",
    "found_data": ["IC50 values", "synthesis methods"],
    "chembl_id": "CHEMBL1234567"
  },
  "10.1234/example2.2023": {
    "pmid": "23456789",
    "title": "Another paper",
    "status": "relevant",
    "score": 7,
    "source": "forward_citation",
    "timestamp": "2025-10-11T16:15:00Z",
    "found_data": ["MIC data"]
  }
}

2. 在 SUMMARY.md 中添加方法部分

将以下部分添加到现有 SUMMARY.md 的顶部（论文列表之前）：

# Research Query: [User's question]

**Date:** 2025-10-11
**Duration:** 2h 15m
**Status:** Complete

---

## Search Strategy

**Keywords:** BTK, Bruton tyrosine kinase, inhibitor, selectivity, off-target, kinase panel, IC50
**Data types sought:** IC50 values, selectivity data, kinase panel screening
**Constraints:** None (open date range)

**PubMed Query:**

("BTK" OR "Bruton tyrosine kinase") AND (inhibitor OR "kinase inhibitor") AND (selectivity OR "off-target")

---

## Screening Methodology

**Rubric:** Abstract scoring (0-10)
- Key terms: +3 pts each (or Keywords 0-3, Data type 0-4, Specificity 0-3 if using old rubric)
- Relevant terms: +1 pt each
- Threshold: ≥7 = relevant

**Sources:**
- Initial PubMed search
- Forward/backward citations via Semantic Scholar

---

## Results Statistics

**Papers Screened:**
- Total reviewed: 127 papers
- Highly relevant (≥8): 12 papers
- Relevant (7): 18 papers
- Possibly relevant (5-6): 23 papers
- Not relevant (<5): 74 papers

**Data Extracted:**
- IC50 values: 45 compounds across 12 papers
- Selectivity data: 8 papers with kinase panel screening
- Full text obtained: 18/30 relevant papers (60%)

**Citation Traversal:**
- Papers with citations followed: 7
- References screened: 45 papers
- Citing papers screened: 38 papers
- Relevant papers found via citations: 8 papers

---

## Key Findings Summary

### IC50 Values for BTK Inhibitors
- Ibrutinib: 0.5 nM (Smith et al., 2023)
- Acalabrutinib: 3 nM (Doe et al., 2024)
- [Additional findings synthesized from papers below]

### Selectivity Patterns
- Most inhibitors show >50-fold selectivity vs other kinases
- Common off-targets: TEC, BMX (other TEC family kinases)

### Gaps Identified
- Limited data on selectivity vs JAK/SYK
- Few papers on resistance mechanisms
- No in vivo selectivity data found

---

## File Inventory

- `SUMMARY.md` - This file (methodology + findings)
- `relevant-papers.json` - 30 relevant papers (score ≥7)
- `papers-reviewed.json` - All 127 papers screened
- `papers/` - 18 PDFs + 5 supplementary files
- `citations/citation-graph.json` - Citation relationships

---

## Reproducibility

**To reproduce:**
1. Use PubMed query above
2. Apply screening rubric (threshold ≥7)
3. Follow citations from highly relevant papers (≥8)
4. Check Unpaywall for paywalled papers

**Software:** Research Superpowers skills v2025-10-11

---

[Existing paper listings follow below...]

## Highly Relevant Papers (Score ≥ 8)

### [Paper Title]...

向用户报告：

✅ Research session complete!

📄 Consolidation complete:
   1. SUMMARY.md - Enhanced with methodology, statistics, and findings
   2. relevant-papers.json - 30 relevant papers (score ≥7) in JSON format

📁 All files in: research-sessions/2025-10-11-btk-inhibitor-selectivity/
   - SUMMARY.md (complete: methodology + paper-by-paper findings)
   - relevant-papers.json (30 relevant papers for programmatic access)
   - papers-reviewed.json (127 total papers screened)
   - papers/ (18 PDFs)

🔍 Quick access:
   - Open SUMMARY.md for complete findings and methodology
   - Use relevant-papers.json for programmatic access

💡 Optional: Clean up intermediate files?
   → Use cleaning-up-research-sessions skill to safely remove temporary files

工作流检查清单

使用 TodoWrite 跟踪以下步骤：

• 解析用户查询（关键词、数据类型、限制条件）
• 提议并创建研究文件夹
• 初始化跟踪文件（SUMMARY.md、papers-reviewed.json、citation-graph.json）
• 使用 searching-literature 技能搜索 PubMed
• 对每篇论文：使用 evaluating-paper-relevance 技能进行评估
• 对相关论文（≥7）：使用 traversing-citations 技能遍历引用
• 定期报告进度
• 每处理 50 篇论文或每 5 分钟创建检查点
• 完成后：综合研究结果，并在 SUMMARY.md 中补充方法说明
• 创建 relevant-papers.json（供程序访问的筛选后 JSON）
• 最终报告研究统计数据和文件位置

集成点

使用的技能：

1. searching-literature——初始 PubMed 搜索
2. evaluating-paper-relevance——对论文评分并提取信息
3. traversing-citations——遍历引用网络

所有技能通过以下文件协同工作：

• 共享的 papers-reviewed.json（用于去重）
• 共享的 SUMMARY.md（用于累积研究发现）
• 共享的 citation-graph.json（用于跟踪关系）

文件组织：

• **小规模搜索（论文少于 50 篇）：**仅使用核心文件（papers-reviewed.json、SUMMARY.md、citation-graph.json）
• **所有搜索：**最后创建 relevant-papers.json；在 SUMMARY.md 中补充方法说明
• **大型搜索（论文超过 100 篇）：**可添加辅助文件（README.md、TOP_PRIORITY_PAPERS.md、evaluated-papers.json），以便更好地组织

错误处理

未找到结果：

• 尝试使用更宽泛的关键词
• 移除限制条件
• 检查拼写
• 尝试不同的同义词

API 速率限制：

• 向用户报告：“⏸️ 触发速率限制，正在等待……”
• 等待所需时间
• 自动恢复

无法获取全文：

• 在 SUMMARY.md 中注明
• 继续仅基于摘要进行评估
• 如果论文高度相关，则标记以便手动获取

结果过多（超过 500 篇）：

• 建议缩小查询范围
• 处理前 100 篇，并询问是否继续
• 优先关注最新或引用次数最多的论文

快速参考

阶段	技能	输出
解析	(内置)	关键词、数据类型、约束
初始化	(内置)	文件夹、SUMMARY.md、跟踪文件
搜索	searching-literature	带元数据的论文列表
评估	evaluating-paper-relevance	评分后的论文、提取的发现
追溯	traversing-citations	从引文中找到的其他论文
综合	(内置)	补充了方法和发现的 SUMMARY.md
汇总	(内置)	relevant-papers.json（筛选出评分 ≥7 的论文）

常见错误

未跟踪所有论文： 只将相关论文添加到 papers-reviewed.json → 添加每一篇论文，避免重复审阅并跟踪完整历史 为小规模搜索创建不必要的辅助文件： 少于 50 篇论文时，使用核心文件（papers-reviewed.json、SUMMARY.md、citation-graph.json）即可。对于大规模搜索（超过 100 篇），README.md 和 TOP_PRIORITY_PAPERS.md 等辅助文件会很有帮助。 默默工作： 用户看不到进度 → 汇报每一篇论文，每 10 篇更新一次 标识符无法点击： DOI/PMID 仅为纯文本 → 始终使用 Markdown 链接 搜索质量不佳就开始评估： 结果过于狭窄 → 先优化搜索 未跟踪论文： 重复审阅同一篇论文 → 始终使用 papers-reviewed.json 追踪所有引文： 导致指数级膨胀 → 追溯前先筛选 没有检查点： 用户会失去上下文 → 每 50 篇汇报并询问 综合质量差： 只列出论文 → 按数据类型分组，提取关键发现 批量汇报： 一次汇报 20 篇论文 → 逐篇汇报

与用户沟通（重要）

绝不要默默工作！用户需要持续获得反馈。

汇报频率：

• 每篇论文： 筛选时简要汇报状态（📄 [N/Total] Title... Score: X）
• 每 5-10 篇论文： 汇总进度和数量
• 每项发现： 立即汇报找到的数据
• 每个决策点： 改变方向前先询问

在进度报告中提供具体信息：

• ✅ “发现化合物 7 的 IC50 = 12 nM（表 2）”
• ❌ “发现了数据”
• ✅ “正在筛选第 25/127 篇论文：不相关（评分 3）”
• ❌ 默默跳过论文

必要时请求澄清：

• ✅ “您要找的是体外还是体内 IC50 值？”
• ❌ 自行假设，可能浪费时间

立即报告阻碍：

• ✅ “⚠️ 论文需要付费才能阅读——仅根据摘要进行评估”
• ❌ 不提及原因就默默跳过

定期汇总（每 10-15 篇论文）：

📊 Progress update:
   - Reviewed: 30/127 papers
   - Highly relevant: 3 (scores 8-10)
   - Relevant: 5 (score 7)
   - Currently: Screening paper 31...

原因： 用户可以及早调整方向，知道工作正在进行，并可在需要时停止

成功标准

研究过程满足以下条件即为成功：

• 找到并评估所有相关论文
• 提取并整理具体数据
• 系统地追溯引文
• 未重复处理
• SUMMARY.md 清晰呈现可执行的发现
• 根据证据回答用户问题

后续步骤

完成研究后：

• 用户查看 SUMMARY.md 和 relevant-papers.json
• 可选： 运行 cleaning-up-research-sessions 技能以删除中间文件
• 可要求深入研究特定论文
• 可使用优化后的关键词要求后续搜索
• 可归档或分享研究会话文件夹