scientific-protein-design

name	scientific-protein-design
description	タンパク質設計スキル。ESM タンパク質言語モデル、de novo 設計、指向性進化の 計算的ガイド、安定性予測をカバー。ToolUniverse の Protein Therapeutic Design パラダイムと claude-scientific-skills の ESM/Adaptyv スキルを統合。 「タンパク質を設計して」「ESM で評価して」「安定性を予測して」で発火。

Scientific Protein Design

計算的タンパク質設計スキル。ESM (Evolutionary Scale Modeling) などの タンパク質言語モデル、de novo バックボーン設計、配列最適化、 安定性・発現性予測を統合したワークフローを提供する。

When to Use

• タンパク質の de novo 設計を行うとき
• ESM タンパク質言語モデルで配列を評価するとき
• 指向性進化のライブラリ設計をガイドするとき
• 変異体の安定性・機能への影響を予測するとき
• バインダー（抗体/ペプチド/ミニタンパク質）を設計するとき
• 酵素の活性部位を再設計するとき

Quick Start

タンパク質設計パイプライン

Phase 1: Target Definition
  - 設計目標の定義（バインダー/酵素/足場）
  - ターゲット構造の取得
  - 設計制約の設定
    ↓
Phase 2: Backbone Generation
  - De novo バックボーン生成（RFdiffusion 等）
  - トポロジー指定
  - 機能サイト保存
    ↓
Phase 3: Sequence Design
  - ProteinMPNN 配列設計
  - ESM スコアリング
  - 多様性確保
    ↓
Phase 4: In Silico Validation
  - ESMFold 構造予測
  - pLDDT / pTM 評価
  - 設計-予測一致度 (RMSD)
    ↓
Phase 5: Developability Assessment
  - 安定性予測
  - 発現予測
  - 凝集リスク
  - 最終ランキング

---

Phase 1: ESM タンパク質言語モデル

ESM-2 / ESM-1v による配列解析

import torch
import esm

def load_esm_model(model_name="esm2_t33_650M_UR50D"):
    """
    ESM-2 モデルのロード。
    モデルサイズ: 8M, 35M, 150M, 650M, 3B, 15B
    推奨: 650M (精度と速度のバランス)
    """
    model, alphabet = esm.pretrained.esm2_t33_650M_UR50D()
    batch_converter = alphabet.get_batch_converter()
    model.eval()
    return model, alphabet, batch_converter


def compute_sequence_loglikelihood():
    
    data = [(, sequence)]
    batch_labels, batch_strs, batch_tokens = batch_converter(data)

     torch.no_grad():
        results = model(batch_tokens, repr_layers=[])

    logits = results[]
    log_probs = torch.log_softmax(logits, dim=-)

    
    token_log_probs = []
     i, aa  (sequence):
        aa_idx = alphabet.get_idx(aa)
        token_log_probs.append(log_probs[, i+, aa_idx].item())

     {
        : sequence,
        : (token_log_probs) / (token_log_probs),
        : (token_log_probs),
        : token_log_probs,
    }