- name
- protein-mining
- description
- 自动化蛋白质挖掘完整流程，从文献调研到潜在蛋白确定，生成可发表的学术成果
- metadata
Protein Mining Skill - 蛋白质挖掘自动化流程
本skill实现了系统化的蛋白质挖掘工作流，包含7个核心模块，每个模块产生可交付的实验结果和可视化图表，适用于高质量学术论文发表。
Module 1: Literature Survey & Target Identification
模块1：文献调研与靶标确定
Objectives
- 系统性文献检索与分析
- 确定研究靶标蛋白家族
- 建立研究假设和科学问题
Workflow
- 文献数据库检索
- PubMed/Google Scholar关键词搜索 - 检索策略：蛋白家族名 + 功能 + 物种 - 时间范围：近10年高影响因子文献优先
- 文献筛选与分析
- 提取关键蛋白序列信息 - 总结已知功能域和保守位点 - 识别研究空白和创新点
- 靶标蛋白确定
- 选择代表性种子序列（seed sequences） - 记录UniProt/NCBI登录号 - 确定研究物种范围
Deliverables
01_literature_review.pdf- 文献综述报告01_target_proteins.csv- 靶标蛋白列表（含登录号、物种、功能注释）01_research_hypothesis.md- 研究假设和科学问题陈述
Module 2: Protein Sequence Collection
模块2：蛋白序列收集
Objectives
- 从公共数据库获取目标蛋白序列
- 序列质量控制和去冗余
- 构建初始序列数据集
Deliverables
02_raw_sequences.fasta- 原始序列集02_filtered_sequences.fasta- 质控后序列集02_nr_sequences.fasta- 非冗余序列集02_sequence_statistics.csv- 序列统计信息02_length_distribution.png- 序列长度分布图
Module 3: HMM Profile Construction
模块3：隐马尔可夫模型构建
Objectives
- 构建蛋白家族特异性HMM模型
- 验证模型敏感性和特异性
- 优化模型参数
Deliverables
03_msa_alignment.fasta- 多序列比对结果03_protein_family.hmm- HMM模型文件03_model_validation.csv- 模型验证统计03_roc_curve.png- ROC曲线图
Module 4: Cross-Species Sequence Search
模块4：跨物种序列搜索
Objectives
- 使用HMM模型进行全基因组搜索
- 跨物种同源蛋白识别
- 构建候选蛋白数据集
Deliverables
04_hmm_search_results.tbl- HMM搜索原始结果04_candidate_proteins.fasta- 候选蛋白序列04_species_distribution.csv- 物种分布统计04_species_heatmap.png- 物种分布热图
Module 5: Structure-Based Search (Foldseek)
模块5：基于结构的搜索
Objectives
- 利用AlphaFold2预测结构
- Foldseek结构相似性搜索
- 识别远程同源蛋白
Deliverables
05_predicted_structures/- AlphaFold2预测结构05_plddt_scores.csv- 结构置信度评分05_foldseek_results.m8- Foldseek搜索结果
Module 6: Phylogenetic Analysis
模块6：进化树构建与分析
Objectives
- 构建高质量系统发育树
- 进化关系分析
- 功能分化预测
Deliverables
06_refined_alignment.fasta- 优化后的多序列比对06_phylogenetic_tree.nwk- Newick格式进化树06_tree_visualization.pdf- 高质量进化树图06_positive_selection_sites.csv- 正选择位点
Module 7: Candidate Protein Prioritization
模块7：候选蛋白优先级排序
Objectives
- 整合多维度数据
- 候选蛋白评分与排序
- 确定高优先级实验验证靶标
Deliverables
07_feature_matrix.csv- 候选蛋白特征矩阵07_scoring_results.csv- 综合评分结果07_top_candidates.csv- Top 20候选蛋白列表07_experimental_design.md- 实验验证方案建议
Technical Requirements
Software Dependencies
- HMMER 3.3+, MAFFT 7.0+, CD-HIT 4.8+, TrimAl 1.4+
- IQ-TREE 2.0+, PAML 4.9+, CAFE 5.0+
- AlphaFold2 / ColabFold, Foldseek 8.0+, PyMOL 2.5+
- Biopython 1.79+, pandas, numpy, scipy, matplotlib, seaborn, scikit-learn
Computational Resources
- CPU: ≥16核心（推荐32核心）
- RAM: ≥64GB（推荐128GB）
- GPU: 用于AlphaFold2结构预测（推荐NVIDIA A100/V100）
Usage
# 启动完整流程
protein-mining --target "ABC transporter" --species plants
# 分步执行
protein-mining --module 1 --target "ABC transporter"Citation
- HMMER: Eddy SR. (2011) PLoS Comput Biol.
- IQ-TREE: Nguyen et al. (2015) Mol Biol Evol.
- AlphaFold2: Jumper et al. (2021) Nature.
- Foldseek: van Kempen et al. (2023) Nat Biotechnol.