转变 Claude 为你的 AI 研究助手：探索 138 个科学技能的全面指南

摘要：Claude Scientific Skills 概述

Claude Scientific Skills 是一个由 K-Dense 团队开发的开源集合，包含 138 个现成科学技能，能将 Claude AI 转化为处理复杂科学任务的研究助手。这些技能覆盖生物信息学、药物发现、临床研究等领域，支持直接访问 28+ 数据库如 PubMed 和 ChEMBL，以及 55+ Python 包如 RDKit 和 Scanpy，帮助执行多步骤工作流，如药物筛选或单细胞 RNA-seq 分析。

想象一下，你是一位刚毕业的生物学家或化学家，正面对一个棘手的项目：需要从海量数据中挖掘潜在药物靶点。你不想从头学习 API 或手动整合工具，对吧？这就是 Claude Scientific Skills 闪光的地方。这个集合不是简单的工具箱，而是将 Claude 变成你的 AI 搭档，能处理从基因组分析到临床试验搜索的一切。基于 K-Dense 团队的努力，它提供了 138 个技能，让科学工作流变得高效而无缝。作为一个经验丰富的科研工具使用者，我可以告诉你，这种整合能节省你几天甚至几周的时间——因为它把专业知识打包好，直接可用。

在本文中，我们将一步步探讨这些技能的内涵、安装方式、实际应用，以及如何让它们为你所用。无论你是初入职场的毕业生，还是寻求更智能工作方式的资深研究者，这篇文章会像一位老朋友一样，引导你理解并上手。

为什么选择 Claude Scientific Skills？

你可能会好奇，为什么要用这个技能集合？简单来说，它能加速你的研究进程。想想看：传统上，你可能需要花时间研究 API 文档、设置集成环境。但这里，一切都准备好了——138 个技能，覆盖主要科学领域，包括生物信息学、化学信息学、临床研究等。每个技能都附带全面文档、实际代码示例、使用案例、最佳实践和参考材料。

从我的经验来看，这样的工具能真正改变游戏规则。它提供生产就绪的代码，经过测试并遵循科学最佳实践。你可以执行多步骤工作流，比如从数据加载到可视化和报告生成，全程一气呵成。更棒的是，它有 28+ 个科学数据库的直接 API 访问，比如 OpenAlex、PubMed、bioRxiv、ChEMBL、UniProt、COSMIC 和 ClinicalTrials.gov。这些让你能轻松查询数据，而不用担心底层实现。

此外，还有 55+ 个 Python 包集成，如 RDKit 用于分子操作、Scanpy 用于单细胞分析、PyTorch Lightning 用于深度学习。加上 15+ 个科学集成，比如 Benchling、DNAnexus、LatchBio、OMERO 和 Protocols.io，你能无缝连接实验室工具。还有 30+ 个分析和通信工具，用于文献综述、同行评审、科学写作、文档处理、海报、幻灯片、示意图和引文管理。

为什么这么全面？因为科学是跨学科的。这个集合让你桥接不同领域，比如结合基因组学、化学信息学和机器学习，而不用安装多个单独插件。它还包括 10+ 个研究和临床工具，用于假设生成、资助写作、临床决策支持、治疗规划和监管合规。

维护方面，它由 K-Dense 团队定期更新，并支持社区贡献。企业级支持也可通过 K-Dense 获得。总之，这不是一个静态的仓库，而是活的生态系统，帮助你专注于科学发现，而不是技术障碍。

如何入门：安装和设置指南

准备上手了吗？让我们一步步来。Claude Scientific Skills 支持多种平台，但 Claude Code 是推荐的选择，因为它无缝集成。

使用 Claude Code 安装（推荐方式）

如果你是 Claude Code 的新手，别担心——它像安装一个 app 一样简单。首先，确保你的系统是 macOS、Linux 或 Windows（带 WSL2）。

步骤 1: 安装 Claude Code

  • 对于 macOS 用户：在终端运行：

    curl -fsSL https://claude.ai/install.sh | bash

  • 对于 Windows 用户：在 PowerShell 中运行：

    irm https://claude.ai/install.ps1 | iex

步骤 2: 注册市场插件

在终端输入：

 /plugin marketplace add K-Dense-AI/claude-scientific-skills

步骤 3: 安装技能

  • 打开 Claude Code。
  • 选择“浏览并安装插件”。
  • 挑选“claude-scientific-skills”。
  • 选择“scientific-skills”。
  • 点击“立即安装”。

安装后，Claude 会自动发现并使用相关技能。只需描述你的科学任务，它就会调用合适的工具。记得定期更新技能，以获取最新功能。

使用 Cursor IDE 安装

如果你更喜欢 Cursor IDE，有一个一键安装选项。通过托管的 MCP 服务器：

点击这个链接安装：
Install MCP Server

这会直接设置一切。

使用任何 MCP 客户端安装

对于其他 MCP 兼容客户端（如 ChatGPT 或 OpenAI Agent SDK），你有两种选项：

选项 1: 托管 MCP 服务器（最简单）

使用这个 URL：

https://mcp.k-dense.ai/claude-scientific-skills/mcp

选项 2: 自托管（更多控制）

查看 claude-skills-mcp 仓库，部署自己的 MCP 服务器。

从经验上说，选择托管选项能让你更快启动，尤其是如果你不是服务器专家。

先决条件：确保一切就绪

在跳入技能前，确保你的环境准备好。核心要求包括：

  • Python 版本：3.9+，推荐 3.12+ 以获得最佳兼容性。
  • uv 包管理器：用于安装技能依赖。这是必需的，因为它处理 Python 包高效。

如何安装 uv？

  • macOS 和 Linux：

    curl -LsSf https://astral.sh/uv/install.sh | sh

  • Windows：

    powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

  • 通过 pip 替代：

    pip install uv

验证安装：

uv --version

其他先决条件：

  • 客户端：Claude Code、Cursor 或任何 MCP 兼容客户端。
  • 系统：macOS、Linux 或 Windows 带 WSL2。
  • 依赖：每个技能自动处理，但检查具体 SKILL.md 文件获取细节。

记住，并非所有技能都需要所有包——只安装你需要的那些。

快速上手示例：从提示到结果

一旦安装好，你可以用简单提示执行复杂工作流。以下是文件中的一些例子，我会解释每个的技能使用和预期输出，帮助你看到实际价值。

示例 1: 药物发现管道

目标：为肺癌治疗找到新型 EGFR 抑制剂。

提示示例：
“使用你可访问的技能。查询 ChEMBL 获取 EGFR 抑制剂 (IC50 < 50nM)，用 RDKit 分析结构-活性关系，用 datamol 生成改进类似物，用 DiffDock 对 AlphaFold EGFR 结构进行虚拟筛选，搜索 PubMed 获取耐药机制，检查 COSMIC 获取突变，并创建可视化和全面报告。”

使用的技能：ChEMBL、RDKit、datamol、DiffDock、AlphaFold DB、PubMed、COSMIC、科学可视化。

这个工作流从数据查询到优化和报告，全自动化。想象它为你生成一个 PDF 报告，包含分子结构和活性图表——节省手动工作。

示例 2: 单细胞 RNA-seq 分析

目标：全面分析 10X Genomics 数据，并整合公共数据。

提示示例：
“使用你可访问的技能。用 Scanpy 加载 10X 数据集，进行 QC 和双峰去除，与 Cellxgene Census 数据整合，用 NCBI Gene 标记物识别细胞类型，用 PyDESeq2 运行差异表达，用 Arboreto 推断基因调控网络，通过 Reactome/KEGG 富集通路，并用 Open Targets 识别治疗靶点。”

使用的技能：Scanpy、Cellxgene Census、NCBI Gene、PyDESeq2、Arboreto、Reactome、KEGG、Open Targets。

结果？一个完整的分析管道，包括细胞聚类图和潜在靶点列表。特别适合初学者，因为 Claude 处理复杂步骤。

示例 3: 多组学生物标志物发现

目标：整合 RNA-seq、蛋白质组学和代谢组学预测患者结局。

提示示例：
“使用你可访问的技能。用 PyDESeq2 分析 RNA-seq，用 pyOpenMS 处理质谱，从 HMDB/Metabolomics Workbench 整合代谢物，用 UniProt/KEGG 映射蛋白到通路，用 STRING 找到交互，用 statsmodels 关联组学层，用 scikit-learn 构建预测模型，并搜索 ClinicalTrials.gov 获取相关试验。”

使用的技能：PyDESeq2、pyOpenMS、HMDB、Metabolomics Workbench、UniProt、KEGG、STRING、statsmodels、scikit-learn、ClinicalTrials.gov。

这展示了多模态整合的力量，帮助你从数据中提取可行动的洞见。

示例 4: 虚拟筛选活动

目标：发现蛋白-蛋白交互的变构调节剂。

提示示例：
“使用你可访问的技能。检索 AlphaFold 结构，用 BioPython 识别交互界面，从 ZINC 搜索变构候选物 (MW 300-500, logP 2-4)，用 RDKit 过滤，用 DiffDock 对接，用 DeepChem 排名，检查 PubChem 供应商，搜索 USPTO 专利，并用 MedChem/molfeat 优化先导物。”

使用的技能：AlphaFold DB、BioPython、ZINC、RDKit、DiffDock、DeepChem、PubChem、USPTO、MedChem、molfeat。

完美用于药物设计早期阶段。

示例 5: 临床变异解释

目标：分析 VCF 文件用于遗传癌风险评估。

提示示例：
“使用你可访问的技能。用 pysam 解析 VCF，用 Ensembl VEP 注释变异，查询 ClinVar 获取致病性，检查 COSMIC 获取癌突变，从 NCBI Gene 获取基因信息，用 UniProt 分析蛋白影响，搜索 PubMed 获取病例报告，检查 ClinPGx 获取药物基因组学，用 ReportLab 生成临床报告，并从 ClinicalTrials.gov 找到匹配试验。”

使用的技能：pysam、Ensembl、ClinVar、COSMIC、NCBI Gene、UniProt、PubMed、ClinPGx、ReportLab、ClinicalTrials.gov。

这能生成专业报告，支持临床决策。

示例 6: 系统生物学网络分析

目标：从 RNA-seq 数据分析基因调控网络。

提示示例：
“使用你可访问的技能。查询 NCBI Gene 获取注释，从 UniProt 获取序列，用 STRING 识别交互，映射到 Reactome/KEGG 通路，用 Torch Geometric 分析拓扑，用 Arboreto 重建 GRN，用 Open Targets 评估药物性，用 PyMC 建模，可视化网络，并搜索 GEO 获取类似模式。”

使用的技能：NCBI Gene、UniProt、STRING、Reactome、KEGG、Torch Geometric、Arboreto、Open Targets、PyMC、GEO。

理想用于理解系统级交互。

这些例子展示了技能的灵活性——从提示开始，到全面输出结束。

实际用例：如何在真实场景中应用

Claude Scientific Skills 不是理论工具；它设计用于实际研究。以下是关键用例，按领域分类。

药物发现与药物化学

  • 虚拟筛选：从 PubChem/ZINC 筛选数百万化合物针对蛋白靶点。
  • 先导优化：用 RDKit 分析结构-活性关系，用 datamol 生成类似物。
  • ADMET 预测：用 DeepChem 预测吸收、分布、代谢、排泄和毒性。
  • 分子对接：用 DiffDock 预测结合姿势和亲和力。
  • 生物活性挖掘：查询 ChEMBL 获取已知抑制剂并分析 SAR 模式。

生物信息学与基因组学

  • 序列分析：用 BioPython 和 pysam 处理 DNA/RNA/蛋白序列。
  • 单细胞分析：用 Scanpy 分析 10X Genomics 数据，识别细胞类型，用 Arboreto 推断 GRN。
  • 变异注释：用 Ensembl VEP 注释 VCF 文件，查询 ClinVar 获取致病性。
  • 基因发现：查询 NCBI Gene、UniProt 和 Ensembl 获取全面基因信息。
  • 网络分析：通过 STRING 识别蛋白-蛋白交互，映射到通路 (KEGG, Reactome)。

临床研究与精准医学

  • 临床试验：搜索 ClinicalTrials.gov 获取相关研究，分析资格标准。
  • 变异解释：用 ClinVar、COSMIC 和 ClinPGx 注释变异用于药物基因组学。
  • 药物安全：查询 FDA 数据库获取不良事件、药物交互和召回。
  • 精准治疗：匹配患者变异到靶向疗法和临床试验。

多组学与系统生物学

  • 多组学整合：结合 RNA-seq、蛋白质组学和代谢组学数据。
  • 通路分析：在 KEGG/Reactome 通路中富集差异表达基因。
  • 网络生物学：重建基因调控网络，识别枢纽基因。
  • 生物标志物发现：整合多组学层预测患者结局。

数据分析与可视化

  • 统计分析：进行假设检验、功率分析和实验设计。
  • 出版物图表：用 matplotlib 和 seaborn 创建出版质量可视化。
  • 网络可视化：用 NetworkX 可视化生物网络。
  • 报告生成：用 ReportLab 生成全面 PDF 报告。

实验室自动化

  • 协议设计：为自动化液体处理创建 Opentrons 协议。
  • LIMS 整合：与 Benchling 和 LabArchives 整合用于数据管理。
  • 工作流自动化：自动化多步骤实验室工作流。

这些用例基于技能的实际能力，帮助你从概念到执行。

所有可用技能：完整分类

这个仓库有 138 个技能，按类别组织。每个都有 SKILL.md 文件，提供文档和示例。

生物信息学与基因组学 (16+ 技能)

  • 序列分析：BioPython, pysam, scikit-bio, BioServices。
  • 单细胞分析：Scanpy, AnnData, scvi-tools, Arboreto, Cellxgene Census。
  • 基因组工具：gget, geniml, gtars, deepTools, FlowIO, Zarr。
  • 系统发育：ETE Toolkit。

化学信息学与药物发现 (10+ 技能)

  • 分子操作：RDKit, Datamol, Molfeat。
  • 深度学习：DeepChem, TorchDrug。
  • 对接与筛选：DiffDock。
  • 药物相似性：MedChem。
  • 基准：PyTDC。

蛋白质组学与质谱 (2 技能)

  • 谱处理：matchms, pyOpenMS。

临床研究与精准医学 (12+ 技能)

  • 临床数据库：ClinicalTrials.gov, ClinVar, ClinPGx, COSMIC, FDA Databases。
  • 医疗 AI：PyHealth, NeuroKit2, Clinical Decision Support。
  • 临床文档：Clinical Reports, Treatment Plans。
  • 变异分析：Ensembl, NCBI Gene。

医学成像与数字病理 (3 技能)

  • DICOM 处理：pydicom。
  • 全幻灯片成像：histolab, PathML。

神经科学与电生理 (1 技能)

  • 神经记录：Neuropixels-Analysis (细胞外尖峰、硅探针、尖峰分类)。

机器学习与 AI (15+ 技能)

  • 深度学习：PyTorch Lightning, Transformers, Stable Baselines3, PufferLib。
  • 经典 ML：scikit-learn, scikit-survival, SHAP。
  • 时间序列：aeon。
  • 贝叶斯方法：PyMC。
  • 优化：PyMOO。
  • 图 ML：Torch Geometric。
  • 维度减少：UMAP-learn。
  • 统计建模：statsmodels。

材料科学、化学与物理 (7 技能)

  • 材料：Pymatgen。
  • 代谢建模：COBRApy。
  • 天文学：Astropy。
  • 量子计算：Cirq, PennyLane, Qiskit, QuTiP。

工程与模拟 (3 技能)

  • 计算流体力学：FluidSim。
  • 离散事件模拟：SimPy。
  • 数据处理：Dask, Polars, Vaex。

数据分析与可视化 (14+ 技能)

  • 可视化：Matplotlib, Seaborn, Plotly, Scientific Visualization。
  • 地理空间分析：GeoPandas。
  • 网络分析：NetworkX。
  • 符号数学：SymPy。
  • PDF 生成：ReportLab。
  • 数据访问：Data Commons。
  • 探索性数据分析：EDA 工作流。
  • 统计分析：Statistical Analysis 工作流。

实验室自动化 (3 技能)

  • 液体处理：PyLabRobot。
  • 协议管理：Protocols.io。
  • LIMS 整合：Benchling, LabArchives。

多组学与系统生物学 (5+ 技能)

  • 通路分析：KEGG, Reactome, STRING。
  • 多组学：BIOMNI, Denario, HypoGeniC。
  • 数据管理：LaminDB。

蛋白工程与设计 (2 技能)

  • 蛋白语言模型：ESM。
  • 云实验室平台：Adaptyv (自动化蛋白测试和验证)。

科学通信 (20+ 技能)

  • 文献：OpenAlex, PubMed, bioRxiv, Literature Review。
  • 网络搜索：Perplexity Search (AI 驱动实时信息搜索)。
  • 写作：Scientific Writing, Peer Review。
  • 文档处理：XLSX, MarkItDown, Document Skills。
  • 出版：Paper-2-Web, Venue Templates。
  • 演示：Scientific Slides, LaTeX Posters, PPTX Posters。
  • 图表：Scientific Schematics。
  • 引文：Citation Management。
  • 插图：Generate Image (AI 图像生成，使用 FLUX.2 Pro 和 Gemini 3 Pro (Nano Banana Pro))。

科学数据库 (28+ 技能)

  • 蛋白：UniProt, PDB, AlphaFold DB。
  • 化学：PubChem, ChEMBL, DrugBank, ZINC, HMDB。
  • 基因组：Ensembl, NCBI Gene, GEO, ENA, GWAS Catalog。
  • 文献：bioRxiv (预印本)。
  • 临床：ClinVar, COSMIC, ClinicalTrials.gov, ClinPGx, FDA Databases。
  • 通路：KEGG, Reactome, STRING。
  • 靶点：Open Targets。
  • 代谢组学：Metabolomics Workbench。
  • 酶：BRENDA。
  • 专利：USPTO。

基础设施与平台 (6+ 技能)

  • 云计算：Modal。
  • 基因组平台：DNAnexus, LatchBio。
  • 显微镜：OMERO。
  • 自动化：Opentrons。
  • 工具发现：ToolUniverse, Get Available Resources。

研究方法论与规划 (8+ 技能)

  • 构思：Scientific Brainstorming, Hypothesis Generation。
  • 批判分析：Scientific Critical Thinking, Scholar Evaluation。
  • 资助：Research Grants。
  • 发现：Research Lookup。
  • 市场分析：Market Research Reports。

监管与标准 (1 技能)

  • 医疗设备标准：ISO 13485 Certification。

对于每个类别，探索具体 SKILL.md 以获取细节。

如何贡献：加入社区并改进

如果你有想法，为什么不贡献呢？这个仓库欢迎扩展和改进。

贡献方式

  • 添加新技能：为额外包或数据库创建技能，添加科学平台集成。
  • 改进现有技能：增强文档、添加工作流、修复 bug 或更新信息。
  • 报告问题：提交 bug 报告或建议改进。

贡献步骤

  1. Fork 仓库。
  2. 创建特征分支：git checkout -b feature/amazing-skill。
  3. 遵循现有目录结构和文档模式。
  4. 确保新技能包括全面 SKILL.md。
  5. 彻底测试示例和工作流。
  6. 提交更改：git commit -m 'Add amazing skill'。
  7. 推送分支：git push origin feature/amazing-skill。
  8. 提交拉取请求，描述更改。

指南

  • 保持与现有文档格式一致。
  • 包括实际工作示例。
  • 测试所有代码。
  • 遵循科学最佳实践。
  • 更新相关文档。
  • 在代码中添加清晰注释和 docstring。
  • 包括官方文档参考。

贡献者会在贡献者列表、发布笔记和 K-Dense 社区中获得认可。

故障排除：常见问题解决

遇到问题？以下是常见解决方案。

  • 技能未加载：确保 Claude Code 是最新版。尝试重新安装插件：/plugin marketplace add K-Dense-AI/claude-scientific-skills。
  • 缺失 Python 依赖：检查 SKILL.md 获取所需包。用 uv pip install package-name 安装。
  • API 速率限制：许多数据库有限制。查看具体文档，考虑缓存或批量请求。
  • 认证错误：一些服务需 API 密钥。检查 SKILL.md 设置凭证。
  • 过时示例：报告 GitHub 问题，检查官方包文档。

如果问题持续，提交详细报告。

FAQ：回答你的疑问

一般问题

这个免费吗？
是的！仓库是 MIT 许可。但每个技能在 SKILL.md 中有自己的许可——请审查并遵守。

为什么所有技能在一个插件中？
因为 AI 时代科学是跨学科的。一个插件让你轻松桥接领域，而不用管理多个安装。

可用于商业项目吗？
仓库 MIT 许可允许商业使用。但检查每个技能的许可以确保合规。

更新频率如何？
定期更新包和 API 版本。主要更新在发布笔记中宣布。

可与其他 AI 模型用吗？
优化为 Claude，但通过 MCP 支持可适应其他模型。

安装与设置

需要安装所有 Python 包吗？
不！只安装需要的。每个技能指定要求。

技能不工作怎么办？
检查故障排除。如果持续，提交 GitHub 问题。

技能离线工作吗？
数据库技能需互联网。包技能安装依赖后离线工作。

贡献

可贡献自己的技能吗？
绝对！查看贡献部分获取指南。

如何报告 bug 或建议功能？
在 GitHub 开问题，描述清晰。对于 bug，包括重现步骤。

支持与社区

需要帮助？检查 SKILL.md 和 references/ 文件。提交 bug 或功能请求到 GitHub。企业支持联系 K-Dense。对于 MCP，支持查看 claude-skills-mcp 仓库或使用托管服务器。

加入我们的 Slack 社区：https://join.slack.com/t/k-densecommunity/shared_invite/zt-3iajtyls1-EwmkwIZk0g_o74311Tkf5g。分享发现、提问、协作。

如何引用

如果你在研究中使用，请引用：

BibTeX

@software{claude_scientific_skills_2025,
  author = {{K-Dense Inc.}},
  title = {Claude Scientific Skills: A Comprehensive Collection of Scientific Tools for Claude AI},
  year = {2025},
  url = {https://github.com/K-Dense-AI/claude-scientific-skills},
  note = {skills covering databases, packages, integrations, and analysis tools}
}

APA

K-Dense Inc. (2025). Claude Scientific Skills: A comprehensive collection of scientific tools for Claude AI [Computer software]. https://github.com/K-Dense-AI/claude-scientific-skills

MLA

K-Dense Inc. Claude Scientific Skills: A Comprehensive Collection of Scientific Tools for Claude AI. 2025, github.com/K-Dense-AI/claude-scientific-skills.

纯文本

Claude Scientific Skills by K-Dense Inc. (2025)
Available at: https://github.com/K-Dense-AI/claude-scientific-skills

许可细节

项目 MIT 许可。版权 © 2025 K-Dense Inc. (k-dense.ai)。

关键点：

  • 免费用于任何用途。
  • 开源——自由修改、分发、使用。
  • 宽松——重用限制最小。
  • 无保证——“按原样”提供。

完整条款见 LICENSE.md。每个技能有自己的许可，在 SKILL.md 中指定——使用前审查。

最后，如果你发现这个有用，请给仓库加星！它帮助他人发现，并鼓励维护和扩展。开始你的 AI 驱动科学之旅吧——Claude 等着成为你的伙伴。