PharmaAI

该 Skill 由 Node.js 命令层调用本地 Python 科学计算核心，对 SMILES 或 CSV 分子数据预测 hERG 心脏毒性、肝毒性和 Ames 致突变性，评估溶解度、代谢稳定性、CYP450 抑制等 ADMET 性质，支持 Lipinski 五规则校验与虚拟筛选 Top N 排序；文档自称 hERG ROC-AUC 0.852、肝毒性与 Ames 为 1.000。

xxxrobot

热度 54.04

最近更新 2026-05-11 17:31:34

分类：数据依赖：代码执行 / 读写文件应用场景：数据处理 / 研究 / 报告撰写

安装技能

复制下面的话术发给你的 Agent，它会通过 secure-skills 检索并安装该技能。

执行命令安装此 skill： npx secure-skills-cli add pharma-ai

Metadata

name: pharma-ai
description: 智能药物发现AI助手，提供分子毒性预测、ADMET评估和虚拟筛选功能。基于Python科学计算核心(RDKit + scikit-learn)和Node.js Skill包装。 Use when: - 需要预测分子的hERG心脏毒性、肝毒性或Ames致突变性 - 需要评估分子的溶解度、代谢稳定性等ADMET性质 - 需要从化合物库中筛选候选药物 - 需要验证分子是否符合Lipinski五规则 - 需要批量分析分子数据 Supports: SMILES输入, CSV批量处理, 实时预测

PharmaAI Skill

智能药物发现工作流，整合数据增强、分子性质预测、毒性预测、ADMET预测和虚拟筛选。

核心功能

1. 分子毒性预测

hERG心脏毒性: 预测QT间期延长风险 (ROC-AUC 0.852)
肝毒性: 预测肝损伤风险
Ames致突变性: 预测基因突变风险

2. ADMET性质预测

溶解度: 水溶性等级预测
代谢稳定性: 半衰期预测
CYP450抑制: 药物相互作用风险

3. 虚拟筛选

综合评分系统
Top N候选筛选
分子结构可视化

使用方式

预测单个分子

import { predictMolecule } from './src/commands/predict';

const result = await predictMolecule('CC(C)Cc1ccc(cc1)C(C)C(=O)O');
console.log(result);
// {
//   smiles: 'CC(C)Cc1ccc(cc1)C(C)C(=O)O',
//   hERG: { risk: 'Low', probability: 0.05 },
//   hepatotoxicity: { risk: 'Low', probability: 0.10 },
//   ames: { risk: 'Low', probability: 0.05 },
//   overall: 'Safe'
// }

批量预测

import { batchPredict } from './src/commands/predict';

const results = await batchPredict([
  'CCO',
  'CC(C)O',
  'c1ccccc1'
]);

虚拟筛选

import { virtualScreen } from './src/commands/screen';

const topCandidates = await virtualScreen('molecules.csv', 10);

模型性能

模型	ROC-AUC	描述
hERG	0.852	心脏毒性预测
肝毒性	1.000	肝损伤预测
Ames	1.000	致突变性预测

技术架构

User Request
    ↓
OpenClaw Agent
    ↓
pharma-ai Skill (Node.js)
    ↓ [Python Bridge]
Python Core (RDKit + scikit-learn)
    ↓
Return Result

Node.js层: Skill接口、命令处理、结果格式化
Python层: RDKit化学计算、ML模型推理

依赖

Node.js: onnxruntime-node (可选ONNX模型)
Python: rdkit, scikit-learn, pandas, numpy

参考文档

详细使用说明: references/manual.md
开发路线图: references/roadmap.md