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

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

1. 1. 文献数据库检索

1. 2. 文献筛选与分析

1. 3. 靶标蛋白确定

Deliverables

• - 01literaturereview.pdf - 文献综述报告
• 01targetproteins.csv - 靶标蛋白列表（含登录号、物种、功能注释）
• 01researchhypothesis.md - 研究假设和科学问题陈述

Module 2: Protein Sequence Collection

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

• - 02rawsequences.fasta - 原始序列集
• 02filteredsequences.fasta - 质控后序列集
• 02nrsequences.fasta - 非冗余序列集
• 02sequencestatistics.csv - 序列统计信息
• 02lengthdistribution.png - 序列长度分布图

Module 3: HMM Profile Construction

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

• - 03msaalignment.fasta - 多序列比对结果
• 03proteinfamily.hmm - HMM模型文件
• 03modelvalidation.csv - 模型验证统计
• 03roccurve.png - ROC曲线图

Module 4: Cross-Species Sequence Search

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

• - 04hmmsearchresults.tbl - HMM搜索原始结果
• 04candidateproteins.fasta - 候选蛋白序列
• 04speciesdistribution.csv - 物种分布统计
• 04species_heatmap.png - 物种分布热图

Module 5: Structure-Based Search (Foldseek)

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

• - 05predictedstructures/ - AlphaFold2预测结构
• 05plddtscores.csv - 结构置信度评分
• 05foldseekresults.m8 - Foldseek搜索结果

Module 6: Phylogenetic Analysis

Objectives

• - 构建高质量系统发育树
• 进化关系分析
• 功能分化预测

Deliverables

• - 06refinedalignment.fasta - 优化后的多序列比对
• 06phylogenetictree.nwk - Newick格式进化树
• 06treevisualization.pdf - 高质量进化树图
• 06positiveselection_sites.csv - 正选择位点

Module 7: Candidate Protein Prioritization

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

• - 07featurematrix.csv - 候选蛋白特征矩阵
• 07scoringresults.csv - 综合评分结果
• 07topcandidates.csv - Top 20候选蛋白列表
• 07experimentaldesign.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

bash

启动完整流程

分步执行

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.