菜单
用于靶点发现 / 药物重定位 / drug repurposing / target identification / target prioritization / MoA hypothesis 场景。触发：帮我找靶点、target discovery、drug repurposing、老药新用、这个疾病有什么潜在靶点、这个化合物还能治什么、mechanism hypothesis、这个基因和 X 病有什么关系、靶点评分、靶点评级、target selection、pathway hypothesis、synthetic lethality candidate。禁用于：查单个靶点的基本信息——那用 hgnc_lookup_symbol / uniprot_entry 直接答就行。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
基于 SOC 职业分类
用于给一个 outcome 的证据确定性做 GRADE 评级、产出 Summary of Findings (SoF) 表。触发：证据确定性、certainty of evidence、GRADE、证据质量分级、这个结论有多可靠、SoF 表、summary of findings、要不要下推荐、指南证据分级、quality of evidence、能不能信这个结论、证据强度、evidence certainty、把证据评个级。也用于"这个疗法的证据到底有多强"、"帮我给这几个结局评 GRADE"、"这条推荐的证据基础可靠吗"。禁用于：单纯核对某个 PMID 真伪（那用 evidence-audit / evidence_verify）。
Use for cross-modal target discovery from an unmet clinical need, combining literature, genetics, druggability, clinical trials, single-cell, and spatial evidence in one auditable context.
Design executable biomedical experiments from literature gaps or hypotheses, including testability, power, protocol, reagents, cost, preregistration, and failure modes.
Persist and query biomedical causal triples from BioCSSwitch conversations, literature checks, and debate outputs.
用于任何**可能含患者数据 / 临床原始记录 / 医疗档案**的场景，强制先做 PHI 检测再决定去向。触发：患者、病历、病案、临床数据、EHR、EMR、住院记录、门诊记录、handover note、progress note、discharge summary、SOAP、真实世界数据、RWD、reidentification、identifiable data、真实病人、我这里有一段病历、这是一份体检报告、帮我看一下这份 CT 报告、我上传一份门诊记录、患者档案、患儿、受试者数据、subject-level data、临床原始表、GCP 数据、eCRF、我要处理 HIPAA、PHI、脱敏、去标识化、我们医院的数据。也在提到 sensitive_mode / 敏感模式 / 隐私模式 时触发。禁用于：公开文献 / 已发表数据 —— 那些不含 PHI，扫描是浪费时间。
Use when the user opts into a local research-interest model, wants personalized paper/preprint/trial updates, saves or rejects research suggestions, asks for a proactive briefing, or wants workflow prediction across sessions.
| name | target-discovery |
| description | 用于靶点发现 / 药物重定位 / drug repurposing / target identification / target prioritization / MoA hypothesis 场景。触发：帮我找靶点、target discovery、drug repurposing、老药新用、这个疾病有什么潜在靶点、这个化合物还能治什么、mechanism hypothesis、这个基因和 X 病有什么关系、靶点评分、靶点评级、target selection、pathway hypothesis、synthetic lethality candidate。禁用于：查单个靶点的基本信息——那用 hgnc_lookup_symbol / uniprot_entry 直接答就行。 |
不给你"AI 建议这个靶点"，给你证据链：疾病 ↔ 靶点关联怎么来的、每一条证据强度如何、能不能被现有药物打。
用户要"从疾病找靶点"还是"从化合物找新适应症"？两条路走向不同。以下按这两条路分开写。
Step 1：疾病规范化。用户可能给的是"triple negative breast cancer"这种口语名。
ols_search ontology=mondo 找 MONDO IDStep 2：拉关联靶点。
ot_disease_associated_targets 用 EFO ID，size=50hgnc_lookup_symbol 拿规范 symbol + 别名uniprot_entry 拿功能 / 亚细胞定位 / 疾病关联段chembl_target_search 看这个靶点在 ChEMBL 里有没有活性化合物Step 3：候选清单。产出一张表：
symbol | UniProt | subcellular | druggability_hint | OT_score | 已有活性化合物数 | 备注
Druggability 提示的判断：G-protein coupled、kinase、hydrolase → 通常 druggable；transcription factor / scaffold → 通常不 druggable（但也可以 degrader）。
Step 4：证据链。对 top-3 的每个候选，走一遍 evidence-audit：把 Open Targets 归因的 PMID 逐条校验，警惕 "association driven by literature co-mention only" 这种弱证据（Open Targets 给的分数会包含 text-mining 权重）。
Step 1：化合物规范化。
chembl_compound_search 拿 ChEMBL IDrxnorm_find_rxcui 若是已上市药，拿 RxCUIStep 2：机制 + 靶点。
chembl_mechanism 拿主要靶点 + action_typeot_drug_details 拿 Open Targets 里已知适应症Step 3：靶点 → 相邻疾病。对每个主靶点：
ot_target_associated_diseases size=30ot_drug_details.indications 里的）Step 4：可行性检查。对 top-5 重定位候选疾病：
ctgov_search intervention= condition= 看有没有已跑过的临床试验（有，说明有人试过 → 结果是失败？在跑？还是没人做过）fda_label 看该药现有标签里是否有相关警告 / DDI（如"孕妇禁用"卡掉 OB/GYN 适应症）Step 5：产出。表格：
候选适应症 | MONDO | 共享通路 | 已有临床证据 | 主要风险 | 优先级建议
本工作流的结论一律不得省略五段面板：Known knowns / Known unknowns / Conflicts / Missing data / Next experiment。做法见 uncertainty-first skill —— 优先把结论拆成 claim 走 evidence_graph（每条 claim 自动绑证据等级 / 物种 / 样本量 / 疾病阶段 / 适用边界 / 反证），再把 claims 喂给 uncertainty_ledger 自动生成五段，补上工具挖不到的领域先验（extra 参数）后原样贴出。缺这五段，回答视为未完成——研究者要的正是被暴露的盲区。