1. 基本信息
| 项目 | 内容 |
|---|---|
| 名称 | drug-repurposing-awslabs-hcls-agent-skills |
| 作者/维护者 | AWS Labs（GitHub 认证组织 awslabs） |
| 来源链接 | https://github.com/awslabs/hcls-agent-skills/tree/main/skills/drug-repurposing |
| 许可证 | MIT-0（GitHub API 确认，仓库根 LICENSE 文件） |
| GitHub Stars | 12（合集仓库整体数字，来自 GitHub API；该数字属整个 40 技能合集，不代表本技能自身热度） |
| Forks | 4（同上，合集整体） |
| 最新版本 | SKILL.md 标注 version 1.0.0 |
| 安装方式 | 见第 10 章 |
2. 功能介绍与亮点
drug-repurposing 教 agent 如何系统地推理“老药新用”（drug repurposing）候选，覆盖从路径判定到验证方案设计的完整链条：
- 路径判定决策树：区分 target-based（从已知靶点出发找已上市药物）与 phenotype-based（从疾病转录组特征反向匹配药物），并给出两者都具备时的混合判定逻辑。
- 七个专业数据库的查询规则：OpenTargets、DGIdb、ChEMBL、DrugBank、CMap/LINCS L1000、TTD、STITCH，逐一说明各自适用场景，并强制“至少交叉查询两个独立数据库”，附具体阈值（如 ChEMBL IC50/Ki < 1 µM 才算认真候选、CMap connectivity score < -90 才算强负相关）。
- 四级证据金字塔：Mendelian randomization（遗传学因果推断）＞临床观察＞体外/体内实验＞计算预测，每级都配套质量核查标准，其中 MR 部分列出完整的仪器强度（F-statistic > 10）、排他性限制、MR-Egger 多效性检验等 6 项质控清单。
- 机制相关性与临床可转化性评估：靶点通路重叠核查、方向性匹配（抑制剂 vs 激动剂）、Cmax 与 IC50 对比，以及安全性/PK/剂量可行性/剂型/专利/监管路径六维度可转化性评分表。
- 候选量化排序框架：5 个维度各 0–3 分打分，12–15 分优先验证、0–3 分不可行，并附研究设计决策树，把证据组合直接映射到下一步验证方案（II 期概念验证试验 / 回顾性目标试验模拟 / 体外实验）。
- 收尾附 10 条按 Wrong / Right / Why 结构编写的常见错误，覆盖“把 CMap 结果当疗效证据”“忽视 IC50 与 Cmax 差距”“未查专利就投入研发”等实操陷阱。
亮点：AWS Labs 官方出品、MIT-0 完全开源；纯提示词推理技能，零代码执行、零外部依赖；在同一 40 技能合集中，本技能的文档篇幅（约 2.66 万字节）位居前列，是同合集内容最详尽的子技能之一；合集整体附带一份跨 40 个技能、410 组提示词的头对头评测报告（Claude Opus 4.7 评判），但那是发布方自评而非独立第三方评价。
3. 适用场景
所属分类：数据分析与可视化（该技能的产出物是对候选证据的分级、排序与结论，属数据分析范畴，而非代码生成或系统集成）。
适用人群：制药/生物技术公司的转化医学团队、药物警戒或商业开发部门，在评估“老药新用”候选时用它审计证据强度、剔除仅有单一计算预测支撑的弱候选、系统性设计后续验证路径——避免把表面机制相关性或一次网络接近度计算误当作足够的临床开发依据。
4. 跨 Agent 兼容性
| Agent 生态 | 结论 | 依据 |
|---|---|---|
| Claude Code | 原生支持 | README「Platform Compatibility」表格列出 ./install.sh --target claude-code，通过 symlink 安装到 .claude/skills/ |
| Codex | 原生支持 | README 列出通用 CLI npx skills add .，明确覆盖 Codex、GitHub Copilot、Cursor、Gemini CLI 等 50+ 平台 |
| OpenClaw | 未验证 | README 兼容性表未点名列出；技能遵循开放的 Agent Skills 标准（SKILL.md + YAML front matter），理论上可通用安装，但未见针对该平台的验证说明 |
| Hermes Agent | 未验证 | 同上，README 未点名，无直接证据 |
5. 推荐理由
该技能把制药/转化医学专家多年积累的“证据分级”直觉编码成可执行的判定框架——从路径判定、七个数据库交叉查询规则、四级证据金字塔（含 Mendelian randomization 质控清单），到临床可转化性六维评估与量化排序打分表，每一步都配具体阈值而非模糊建议。核心价值在于强制“多源证据交叉验证”与“证据分级”的方法论纪律，帮助用户在投入实验室或临床资源前系统性识别薄弱环节。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 7 | 发布方为 AWS Labs（GitHub 认证组织）；仓库整体星数 12（该数字属整个 40 技能合集，不代表本技能自身热度） |
| 可用性 | 8 | 单文件 SKILL.md 复制即用，零外部依赖、零付费依赖；文档含完整判定表与决策树，但缺少从头到尾的完整实操算例走查 |
| 安全性 | 9 | 纯提示词推理技能，无代码执行、无网络外发、无凭据索取；MIT-0 许可证明确；仓库 2026-07-22 有提交，维护活跃 |
安全检查清单： ① 是否执行 shell 命令：无 ② 运行时是否联网外发数据：无（技能只指导用户如何查询 DGIdb/ChEMBL 等数据库，本身不代替用户调用 API 或外发数据） ③ 是否要求 API key/凭据：不需要 ④ 可疑指令：未发现 ⑤ 作者/组织信誉：AWS Labs，GitHub 认证组织 ⑥ License：MIT-0，明确 ⑦ 最近维护时间：仓库 2026-07-22 有提交，在近 3 个月维护窗口内
7. 跟同类 Skills 相比的优势
| 竞品 | 定位 | 与本技能的差异 |
|---|---|---|
ClawBio/ClawBio 的 drug-repurposing-screen（1,081★，MIT） |
处理实际湿实验室的 pooled viability screen 原始数据（QC、hit calling、剂量反应曲线），格式无关，通过 schema.yaml/objective.yaml 描述输入 | 面向“已有实验室筛选数据后如何分析出候选”，是数据处理管线；本技能面向“从数据库检索到证据分级再到临床可转化性”的方法论全链条，两者服务的是同一课题的不同阶段，可互补而非替代 |
同合集的 structure-based-drug-design |
从蛋白质结构出发做全新化合物的对接可行性评估（可成药性打分、对接策略、打分函数选择） | 面向“从头设计”新化合物，本技能面向“已上市老药找新适应症”，证据来源（结构生物学 vs 流行病学/遗传学）与决策树完全不同 |
同合集的 multi-omics-integration |
多组学数据融合策略选择（早/中/晚期整合方式、批次校正、部分样本重叠处理） | 服务的是候选发现之前的数据处理阶段，不直接评估具体候选药物或设计临床转化路径 |
8. 用户评价
该技能目前在第三方平台尚无具名用户评价。发布方在仓库内附带一份覆盖全部 40 个技能、410 组提示词的头对头评测报告（Claude Opus 4.7 评判，胜率 70%–86%），但这是发布方自评，不属独立第三方评价。
9. 其他补充
仓库为 Kiro 提供了可选的“多 Agent 模式”，将 40 个技能路由到 8 个领域专家（context-efficient specialist routing），其中 hcls-drug-discovery 专家整合了本技能与 structure-based-drug-design、molecular-docking、cheminformatics；该模式为可选架构，不影响本技能在 Claude Code / Codex 下的独立安装与使用。仓库创建于 2026-05-04，首次公开发布即含 38 个技能（本技能在列），此后陆续扩充至当前的 40 个技能、13 个领域。
10. 安装使用方式
- Claude Code（推荐）：克隆仓库
git clone https://github.com/awslabs/hcls-agent-skills.git后运行./install.sh --target claude-code，脚本会将全部技能以 symlink 方式安装到.claude/skills/，自动被发现；若只想安装本技能，可手动将skills/drug-repurposing/目录复制到.claude/skills/drug-repurposing/ - Codex 及其他 50+ 平台：在仓库目录下运行通用 CLI
npx skills add .（该 CLI 由 vercel-labs/skills 提供） - 安装后注意事项：纯提示词技能，无需安装额外依赖包、无需重启 agent；触发依赖用户提问中出现相关关键词（如 “drug repurposing”、“DGIdb”、“repositioning”）或直接引用该技能
11. 注意事项
- 该技能提供的是证据分级与决策框架，不直接连接 DGIdb / ChEMBL / OpenTargets 等数据库——实际查询仍需 agent 借助其他工具或联网检索完成
- 技能内容基于 2026-06-09 的公开发布版本；DGIdb、ChEMBL、OpenTargets 等外部数据库本身持续更新，具体数值证据仍需实时查询而非依赖技能内嵌的静态知识
- 合集仓库整体 12★ 不代表该子技能个体的采用热度；该子技能本身尚无独立的第三方用户反馈