Community图像github.com

生物通路机制示意图

从研究材料(PDF/文本)构建或编辑可被逐箭头质疑的、符合出版标准的生物机制/通路示意图,生成语义正确的SVG、PNG/PDF导出文件以及可追溯、包含不确定性信息的result.json。

生物通路机制示意图 是什么?

此技能用于从研究论文或文本中提取并可视化生物机制通路,确保每一处实体和连接都基于原文的逐字引证。它采用三层模型:带类型的实体、带逐字证据的有向边以及区室布局,并明确拒绝猜测调控方向,对未明确信息进行标记。该技能支持多种平台(如Claude Code等),通过执行一系列Python脚本(scaffold、validate、render、export、verify)实现从输入到最终交付物的完整工作流。用户需要自己完成科学推理(提取实体和边),脚本则负责验证、渲染和导出。最终交付物包括一个可编辑的分层SVG、PNG/PDF导出文件以及一个包含所有合同字段、可追溯来源和不确定性记录的result.json文件,非常适合用于生成信号通路、机制图、交互图等出版级图表。

兼容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/qingyulzx/pku-efficiency3-skills/tree/HEAD/bio-pathway

Installed? Explore more 图像 skills: steipete/songsee, affaan-m/frontend-design, mattpocock/improve-codebase-architecture · View all 6 →

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

生物通路机制示意图 是做什么的?

通路图是一个读者将逐箭头质疑的机制陈述。此技能的契约:画布上的每个实体和每条边都能追溯到带有位置信息的逐字引用;交互语义(激活/抑制/结合/修饰/转运)在视觉上截然不同且绝不混淆;任何来源未说明的内容(方向、位置、数字)都明确标记为未说明,而非猜测。交付物是一个分层的、可通过ID寻址的可编辑SVG,外加PNG/PDF导出文件,以及一个合同完整的result.json。

何时使用 / 何时不使用

用于:机制图、信号通路图、受体到细胞核的级联、通路交互、“根据这篇论文绘制图N”的任务,以及对现有通路图的编辑(添加/删除实体或边、重新标记)。 不用于:统计图表(条形/箱线/火山图)、实验示意图,或仅用于美观的润色;这些属于相邻技能。

执行合同(平台运行时)

  • 输入:/input/case.json(+ task.md)。在 /app/work 下工作;交付物放在 /app/output 下。
  • 整个运行的第一个操作(在深入阅读 case 之前): python scripts/scaffold_result.py --input /input/case.json --outdir /app/output 这会写入一个 result.json,其中每个输出合同字段都存在,未生成的字段为 null 并带有原因。逐步更新它;永远不要删除合同字段。
  • 以下所有脚本都采用 --model/--svg 等路径参数,且为纯 Python 3(仅限标准库),除非另有说明。references/ 目录被脚本读取;在步骤 1 之前自行阅读其中的 .md 文件。

步骤 0 - 阅读合同并搭建框架(1 次请求)

运行脚手架。浏览 task.md + case.json:确定图形目标(哪个机制,如果是复现则确定哪个图,是生成还是编辑场景),所需的导出格式,以及证据范围。记录你必须填写的合同字段列表。预算意识:目标在 5-8 个模型步骤内完成;脚本负责重活,你负责科学。

步骤 1 - 提取机制模型(科学核心 - 你自己完成)

阅读实际材料(实际解析 PDF;阅读文件,切勿根据标签假设内容)。根据你自己的判断,按照 references/layout-conventions.md 构建 /app/work/model.json:

  1. 实体 — 基因 / 蛋白质 / 受体 / RNA / 复合物 / 分子 / 细胞 / 家族。应用 references/naming-rules.md:基因符号使用斜体,基因节点与其蛋白质区分(MYC 与 MYC);首选符号,来源拼写放在同义词中;家族与成员;每个已声明的复合物使用一个节点。每个实体携带 source: {loc, quote} — 一个逐字引用和一个足够精确以便重新找到的位置(章节/段落/页面/图注)。
  2. 边 — 类型来自 references/edge-types.json 中的封闭集合(激活、抑制、结合、磷酸化、泛素化、转录调控、转位、复合物形成……)。directed 必须显式设置。永远不要猜测方向:如果引用没有方向性线索,设置 directed: false 并记录一条不确定性(references/uncertainty-policy.md)。结合/招募是无向的。转录调控的目标是基因节点,需要符号(正/负)。
  3. 区室 — 胞外 / 膜 / 细胞质 / 细胞核(如果机制需要,还包括内质网、高尔基体、细胞器子区域)。位置未说明的实体进入 unspecified 区域——切勿默默放入细胞质。受体锚定在膜区域上。
  4. 顺序 — 根据通路位置设置 order(拓扑顺序,而非文本顺序);反馈循环自然地表现为反向边。
  5. 画布上的数字(表达量、显著性)仅在来源中逐字存在时才添加;否则将数据映射显式保留为 null。

实用提取顺序:第一次通读获取整体流程;第二次逐句通读获取实体和引用;第三次通读获取边,包括抑制剂、反馈和交互(它们隐藏在“然而/而”之类的句子中)。

步骤 2 - 验证模型(脚本)

python scripts/validate_model.py --model /app/work/model.json \
    --report /app/work/validation-report.json

修复每个 E-* 错误。E-DIR-01(有向边缺少方向性线索)是核心的科学防线:要么引用一个明确说明方向的句子,要么降级为无向边并添加不确定性。警告需要做出有意识的决定:家族节点、受体放置、符号与引用不匹配。重新运行直到验证通过。如果材料无法支持某个必需的合同项,现在记下(它在步骤 5 中将成为 null + 原因)。

步骤 3 - 渲染 SVG 并导出(脚本)

python scripts/render_svg.py --model /app/work/model.json \
    --out /app/output/pathway.svg --report /app/work/render-report.json
python scripts/export_assets.py --svg /app/output/pathway.svg \
    --outdir /app/output --model /app/work/model.json \
    --png-width 2400 --report /app/work/export-report.json

阅读渲染报告的警告(画布限制、未知区室)。自行查看 PNG;如果布局掩盖了机制(边的交叉遮蔽了分叉、反馈跨越了级联),调整模型中的 order/固定位置并重新渲染。SVG 是确定性的:相同的模型 → 相同的 SVG。

步骤 4 - 编辑场景(如果任务要求编辑现有图形)

首先重建目标图形的模型(对原始图形的源文本执行步骤 1),然后使用保留来源的编辑——原始模型/SVG 会被备份,每次编辑都会记录在模型的 change_log 中:

python scripts/apply_edit.py --model /app/work/model.json --op add-edge \
    --id e-new --src A --tgt B --type inhibition --directed true \
    --sign negative --loc "..." --quote "..."

操作:添加/重命名/删除实体(当边连接时,删除会拒绝,除非使用 --cascade,且级联删除会被记录为不确定性)、添加/删除边、添加区室。每个添加的实体/边必须提供逐字的 --loc 和 --quote。编辑后,重新验证(自动)并重新渲染(步骤 3)。

步骤 5 - 验证并最终确定 result.json(脚本 + 你)

python scripts/verify_outputs.py --model /app/work/model.json \
    --svg /app/output/pathway.svg --result /app/output/result.json \
    --exports /app/output/pathway.png /app/output/pathway.pdf \
    --report /app/output/verification-report.json

这会重新读取 SVG 并检查节点/边的回读、图例与使用是否双向一致、标签溢出、画布限制、导出文件是否存在,以及 result.json 中每个 null 是否都有原因。然后你自己最终确定 result.json:填写合同字段(可编辑来源路径、带有后端/参数的导出文件、带有引用的实体表/边表、图例基础、带有版本号的来源、不确定性、验证摘要、诚实的状态)。为任何 null 值保留 _unanswered_reasons。部分交付必须用直白的语言说明其限制。

异常处理(真实路径,非装饰性)

失败情形检测方式处理措施
PDF 无法读取 / 无文本层解析失败或文本为空对渲染使用 pdf-render-tool / ocr-tool,在 result.json 中标记“文本层缺失”
实体名称模糊(两种解读)你的提取根据上下文选择,记录备选方案和不确定性;如果无法决定,则设为 null 并给出原因
方向未说明E-DIR-01降级为无向边(无箭头)+ 不确定性。绝不猜测
区室未知E-CMP-01 / 布局警告放入 unspecified 区域 + 注释
数据可视化缺少数字数据模型中没有逐字数字绘制拓扑,标记映射为 null + “来源数据缺失”
标签溢出验证 label_overflow缩短标签 / 拆分为标签+子标签 / 重新排序
画布超出限制渲染警告拆分为面板或减少分支;记录
导出后端缺失导出报告状态失败已尝试后备链;交付 SVG,记录失败原因和指导
空白/退化的 PNGblank_check检查渲染报告;重新渲染;记录
验证错误持续存在退出码 2修复模型;如果根据材料无法修复,则交付有效的子集 + 明确限制

质量标准(完成前自检)

  1. 审阅者能否指向任意箭头并从嵌入的表格/模型中获取其逐字依据?(可追溯性)
  2. 激活/抑制/结合/修饰在视觉上是否截然不同,并且图例是否与所绘制内容匹配——没有缺失,没有幻影条目?
  3. 每个未说明的事物是否都明确显示为未说明(无向边、unspecified 区域、null + 原因)?
  4. 他人能否打开 SVG,更改一个标签,然后重新导出?(分层的、ID 可寻址的、标准字体栈)
  5. result.json 是否涵盖了每个合同字段并给出了诚实的状态?

文件

  • scripts/scaffold_result.py - 合同完整的 result.json,包含 null + 原因
  • scripts/validate_model.py - 模式 + 方向证据 + 命名检查
  • scripts/render_svg.py - 根据 model.json 生成确定性的分层 SVG
  • scripts/export_assets.py - 带有后备链和空白检查的 PNG/PDF 导出
  • scripts/apply_edit.py - 保留来源、带有日志的编辑操作
  • scripts/verify_outputs.py - 对交付物包进行回读验证
  • references/edge-types.json - 机器可读的符号语义
  • references/symbol-semantics.md - 视觉语法及其原理
  • references/naming-rules.md - 基因/蛋白质/家族/复合物命名约定
  • references/uncertainty-policy.md - 降级规则;绝不猜测政策
  • references/layout-conventions.md - model.json 模式 + 布局算法
  • examples/ras-mapk-case/ - 一个使用真实材料的工作示例(Brown & Ried 2022)
  • README.md - 独立使用文档

Individual skills in this repo

This repo contains 4 individual skills — each has its own dedicated page.

graphical-abstract-builder

Build a single-page graphical abstract (question, method, results, conclusion) from research material as a traceable, editable SVG with PNG/PDF exports. Use when asked to create or edit a graphical abstract, science summary figure, mechanism or flow diagram, or data chart from a paper, study notes or experimental records, especially when editable source files and element-to-source traceability are required.

paper-to-academic-ppt

Turn a research paper (PDF) into a structured, evidence-traceable, template-compliant academic slide deck. Two phases: agent-authored narrative spine and page-level claims (each with paper locators and verbatim quotes), then scripted template adaptation that writes content into real master/layout placeholders, embeds original paper figures, checks overflow/aspect/notes, and exports a PDF preview. Handles missing conclusions, figure-trimming, layout mismatch and over-limit slide counts with explicit rules.

relationship-schematic

Generate or edit scientific entity-relationship schematics (mechanism diagrams, pathway chains, experimental workflows, structural containment) as traceable, editable SVG with verified relation semantics. Extracts an evidence-quoted entity/relation table first, renders a layered SVG from it, reads the drawing back to verify every relation type, direction and containment, then exports 300-dpi PNG and vector PDF. Use for any "draw a mechanism/workflow/relationship figure from this paper or case material" task where scientific correctness of entities, arrow directions and hierarchy matters.

slides-genedit

Generate and edit academic presentation decks from research material. Two routes: (1) generate a new deck from a paper/notes under fixed audience, duration and slide-count constraints, with per-slide claims, verbatim-number evidence mapping, speaker notes, and a rendered PDF preview; (2) source-preserving edits of an existing starting deck - inventory it, apply only the requested local changes, and prove untouched slides stayed byte-identical. Use when asked to turn research material into slides, or to modify/compress/re-audience an existing deck without breaking it.

相关技能