CommunityRecherche & Datenanalysegithub.com

Antikörper-Literatur- und Datenbanksuche

Durchsuchen und Zusammenfassen von Antikörper- und Immunologie-Literatur sowie öffentlichen Datenbankeinträgen – von Publikationen über Zielstrukturen, Antikörper oder Methoden bis hin zu klinischen Studien und Patentsequenzen.

Was ist Antikörper-Literatur- und Datenbanksuche?

Diese Fähigkeit (Skill) ermöglicht es einem KI-Agenten, fundierte und nachweisgestützte Antworten zu Antikörpern und immunologischen Fragestellungen zu liefern. Sie deckt eine breite Palette von Ressourcen ab: Literaturdatenbanken (Europe PMC, PubMed), Proteindatenbanken (UniProt), Strukturdatenbanken (PDB, SAbDab, SAbDab-nano), therapeutische Antikörperdatenbanken (Thera-SAbDab), Keimbahn-Datenbanken (IMGT/GENE-DB), klinische Studien (ClinicalTrials.gov) und vieles mehr. Der Skill erzwingt eine strenge Validierung jedes Identifiers (PMID, DOI, Accession, PDB-ID) vor der Verwendung – ein nicht abgerufener Eintrag wird nicht niedergeschrieben. Dies verhindert plausible, aber falsche Zitate. Die Ergebnisse werden mit nachvollziehbarer Herkunft (Identifier, Titel, Jahr, Version) versehen. Der Skill priorisiert primäre Quellen und unterscheidet klar zwischen gemessenen und geschlussfolgerten Aussagen sowie zwischen verschiedenen Evidenzstufen (Peer-Review, Preprint, Konferenzabstract, Pressemitteilung). Er unterstützt den `immuno` MCP-Server für optimierte Abfragen und liefert eine strukturierte Zusammenfassung mit Belegen für jede Behauptung.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/0xcvaliente/immunology-skills/tree/HEAD/antibody-literature-search

Installed? Explore more Recherche & Datenanalyse skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Was macht Antikörper-Literatur- und Datenbanksuche?

Von einer Frage zu belegten Nachweisen, wobei jedes Zitat verifiziert wird.

Vor dem Schreiben auflösen

Ein Identifier, der in dieser Sitzung nicht abgerufen wurde, wird nicht niedergeschrieben. Dies gilt gleichermaßen für PMIDs, DOIs, Accessions, PDB-IDs, Klonnamen, Katalog-Nummern und Studien-IDs.

Die Disziplin in der richtigen Reihenfolge:

  1. Suchen, nicht erinnern. Antikörper- und Immunologie-Zitate sind das Einfachste in diesem Bereich, um sie plausibel und falsch zu generieren: Der richtig aussehende Autor, die Zeitschrift und das Jahr, die einem nicht existierenden Papier zugeordnet werden.
  2. Rufe den Eintrag ab für jeden Identifier, der in der Ausgabe erscheinen wird.
  3. Stimme den Eintrag mit der Behauptung ab. Ein aufgelöster PMID beweist, dass das Papier existiert, nicht, dass es das sagt, was die Antwort ihm zuschreibt. Lies zumindest das Abstract; lies die Methoden, wenn die Behauptung betrifft, wie etwas gemessen wurde.
  4. Trage die Herkunft in die Ausgabe – Identifier, Titel, Jahr und was diese Quelle tatsächlich unterstützt.

Wenn eine Quelle nicht aufgelöst werden kann, schreibe die Behauptung als unbelegt oder lass sie weg. Die Aussage „Ich konnte keinen Beleg dafür finden“ ist eine korrekte Antwort.

Datenbankeinträge tragen ebenfalls eine Herkunft. Ein Eintrag wird mit seiner Accession sowie, falls die Ressource ihre Daten versioniert, der Version und dem Datum des Abrufs zitiert – UniProt P04626 (abgerufen 2026-11-13), PDB 1N8Z, Thera-SAbDab Trastuzumab, IEDB Epitop-ID 12345. Der Inhalt einer Datenbank ändert sich zwischen den Versionen, daher ist eine bloße Accession ohne Version nicht reproduzierbar. Bevorzuge die Primärquelle (den hinterlegten Eintrag) gegenüber einer sekundären Zusammenfassung.

Wähle die Ressource anhand der Frage aus

FrageGehe zu
Was ist zu diesem Target, Antikörper oder dieser Methode veröffentlicht?Europe PMC oder PubMed
Was ist dieses Protein, seine Domänen, Isoformen, PTMs, Sequenz?UniProt
Welche Epitope sind für dieses Antigen bekannt oder kartiert?IEDB
Gibt es eine Struktur dieses Komplexes?RCSB PDB, dann SAbDab (SAbDab-nano für VHHs) für antikörperspezifische Annotation
Was muss ich über dieses Target wissen, bevor ich dagegen entwickle?das Target-Dossier: references/target-dossier.md
Welche entwickelten Binder wurden für dieses Target oder mit dieser Methode getestet, und was geschah?Proteinbase
Welche Mutations-Bindungs- oder Entwickelbarkeitsdaten gibt es zum Kalibrieren?SKEMPI 2.0, AB-Bind, Ginkgo Datapoints
Welche Sequenz und welches Format hat ein benannter therapeutischer Antikörper?Thera-SAbDab, IMGT/mAb-DB
Wurde diese Antikörpersequenz bereits veröffentlicht oder patentiert?PLAbDab
Welche Keimbahn-Gene und -Allele existieren?IMGT/GENE-DB, OGRDB
Wurde dieses Repertoire oder dieser Klonotyp in einer Studie gesehen?OAS, iReceptor, VDJbase
Welche Studien existieren und in welcher Phase?ClinicalTrials.gov, EU CTIS, WHO ICTRP
Welche Antikörper sind zugelassen oder in Prüfung?Tabelle der Antibody Society, YAbS
Wurde diese Sequenz in einem Patent beansprucht?Google Patents, Lens.org, Patentsequenz-Datenbanken
Welche kommerziellen Antikörper zielen auf dieses Protein ab und sind sie validiert?antibody-reagent-selection

Details, URLs und API-Hinweise: references/resources.md. Abfragesyntax und Arbeitsrezepte: references/search-recipes.md.

Mit dem immuno MCP

Wenn der immuno MCP-Server verbunden ist (get_server_capabilities zeigt ihn an), bevorzuge ihn gegenüber selbst geschriebenen Abfragen für diese Schritte; jedes Ergebnis trägt provenance zum Zitieren.

  • resolve_identifier bestätigt eine PDB-ID, UniProt-Accession, PMID, PMCID oder DOI, bevor sie niedergeschrieben wird.
  • search_antibody_structures fragt SAbDab2 ab. Suche nach UniProt-Accession, nicht nach Proteinnamen: Ein Name wie „PD-1“ oder „Programmed cell death protein 1“ mit dem VHH-Filter gab am 2026-11-14 keine Zeilen zurück, während die Accession Q15116 51 Zeilen ergab. Der Namensfilter vergleicht 25 Zeichen, prüft keine Spezies und übersieht Einträge, die das Antigen anders benennen. Verwende dann get_structure für den Eintrag, seine CDRs und seine Antigenketten.
  • search_literature und dann get_passages lesen und zitieren den Text; ein Titel allein ist kein Beleg, und Passagen sind nur Abstract, es sei denn, coverage sagt Volltext.
  • query_binding_data gibt SKEMPI 2.0-Zeilen zurück (ddG, Kd, die Quell-PMID). Der Datensatz datiert von 2018.
  • Datensätze, die der Server als geplant auflistet (OAS, AB-Bind, GDPa1, Adaptyv), sind noch nicht abfragbar. Sage dies, anstatt sie zu zitieren.

Suchbreite

Eine einzelne Abfrage beantwortet in diesem Bereich fast nichts. Führe für jede Frage über eine direkte Suche hinaus mehrere Suchen in einem Durchlauf durch und variiere das Vokabular, da dasselbe Objekt viele Namen hat:

  • das Target: Gensymbol, Proteinname, CD-Nummer, frühere Namen, Spezies.
  • der Antikörper: INN, Codename (oft ABC-123), Markenname, Klon-ID, ursprüngliches Unternehmen.
  • das Konzept: der Methodenname plus seine gebräuchliche Abkürzung.

Höre auf, wenn dieselben Papiere bei verschiedenen Vokabularen immer wieder auftauchen. Diese Sättigung ist das Abbruchkriterium, nicht eine feste Anzahl von Suchen.

Zusammenfassen mit den Belegen

Extrahiere für jedes Papier, das einen Platz in der Antwort verdient, die Felder aus references/reading-a-paper.md – Target, Antikörper und Format, was gemessen wurde und wie, Modellsystem, Kontrollen, Effektstärke, Einschränkungen – und unterscheide durchgängig:

  • was gemessen wurde versus was gefolgert wurde,
  • In-vitro-, Tier- und Humanbelege,
  • Peer-Review versus Preprint versus Konferenzabstract versus Unternehmenspressemitteilung.

Bewerte Behauptungen nach dieser Hierarchie und nicht danach, wie neu oder emphatisch sie sind. Eine Pressemitteilung, die über eine positive Phase-2-Studie berichtet, ist ein schwächerer Beleg als die veröffentlichte Studie, und beide sollten als das gekennzeichnet werden, was sie sind.

Höfliches Abrufen

Die öffentlichen APIs hier sind kostenlos und ratenbegrenzt. Bündele Anfragen, halte dich an die dokumentierten Grenzen und speichere Ergebnisse im Zwischenspeicher, anstatt sie erneut abzurufen.

NCBIs E-Utilities verlangen von Aufrufern, dass sie sich mit den Parametern tool und email identifizieren. Sende einen generischen Client-Namen und frage den Benutzer, bevor du seine eigene E-Mail-Adresse in eine Anfrage an einen externen Dienst einfügst.

Individual skills in this repo

This repo contains 2 individual skills — each has its own dedicated page.

antibody-sequence-bioinformatics

Work with antibody, nanobody (VHH) and BCR sequence data - numbering schemes (IMGT, Kabat, Chothia, Martin, AHo), CDR and framework boundaries, VHH hallmark residues and cysteine checks, germline assignment with ANARCII, ANARCI, abnumber or IgBLAST, mapping CDRs onto a structure's residue numbers for loop-redesign contigs, interface contacts and hotspot coverage of a predicted complex, repertoire pipelines, the AIRR Rearrangement TSV format, clonotype grouping, humanness, and sequence liability motifs. Use when parsing, numbering, annotating, QC-ing or filtering antibody, VHH or designed binder sequences, when a CDR definition or region coordinate is in question, when a contig needs PDB residue numbers, or when writing code against AIRR, IgBLAST, ANARCI or OAS data. Every region coordinate carries the name of its numbering scheme. Use antibody-binder-design for the design workflow, antibody-literature-search to find sequences and structures, antibody-therapeutics-landscape...

antibody-therapeutics-landscape

Antibodies as drugs and as an industry - molecular formats (IgG subclass, Fab, scFv, VHH, bispecific, ADC, Fc engineering), drug-name decoding, the discovery-to-approval path, regulatory routes, developability, CMC and commercial vocabulary, nanobody (VHH) drugs, how to argue user fit and path to value for a design tool or pitch, plus biotech employer research and interview prep. Use when a prompt names an antibody drug, a mAb or nanobody format, an antibody or biotech company, asks what a biotech term means, who would use or buy a design result, or asks about a biotech role, job ad or interview. Approval counts, pipelines and company facts are volatile and get looked up, never recalled. Use antibody-literature-search to find papers, trials and database records, antibody-reagent-selection to choose a lab antibody, antibody-sequence-bioinformatics for sequence data.

Verwandte Skills