К основному содержанию
скилл CX Codex

tooluniverse-drug-mechanism-research — скилл для Claude Code

Скилл tooluniverse-drug-mechanism-research для Claude Code исследует механизм действия лекарства от первичной мишени до клинического исхода. Разбирает фармакологию и сравнивает препараты.

Apache-2.0 250 установок ★ 1 798 обновлён 2026-10-24

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add mims-harvard/ToolUniverse --skill tooluniverse-drug-mechanism-research -a claude-code
Открыть на GitHub

Что делает tooluniverse-drug-mechanism-research

Скилл выстраивает цепочку «мишень → нисходящий сигнал → путь → эффект на орган или ткань → клинический исход». Он помогает найти первичную мишень, тип действия и прямое взаимодействие, затем проверить побочные мишени и связанные белки.

Для исследования используются DrugBank, ChEMBL, KEGG, Reactome и STRING, а также OpenTargets, PharmGKB, WikiPathways и DailyMed. Инструкции охватывают получение ChEMBL ID, анализ биологической активности, обогащение путей и разбор клинической фармакологии. Для фармакогеномных запросов нужен идентификатор PharmGKB, а DailyMed требует сначала получить setid.

Автовызов моделью отключён, поэтому скилл нужно запускать явно. Он не заменяет отдельные скиллы для профиля нежелательных явлений, репозиционирования лекарств или рекомендаций CPIC по дозировкам.

Какие задачи решает

  • найти первичную мишень лекарства
  • проследить влияние мишени по сигнальному пути
  • сравнить механизмы двух препаратов
  • выявить возможные off-target взаимодействия
  • подготовить раздел о механизме действия

Примеры запросов агенту

  • Исследуй механизм действия metformin: от первичной мишени до клинического эффекта.
  • Сравни механизмы действия drug A и drug B, включая затронутые пути.
  • Проверь возможные off-target мишени и фармакогеномные взаимодействия для metformin.

Как установить tooluniverse-drug-mechanism-research

1Через Skills CLI (Vercel)

npx skills add mims-harvard/ToolUniverse --skill tooluniverse-drug-mechanism-research -a claude-code

2Вручную: положить файлы

~/.claude/skills/tooluniverse-drug-mechanism-research/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/tooluniverse-drug-mechanism-research/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о tooluniverse-drug-mechanism-research

Как установить tooluniverse-drug-mechanism-research в Claude Code?

Выполните npx skills add mims-harvard/ToolUniverse --skill tooluniverse-drug-mechanism-research -a claude-code, затем проверьте файл ~/.claude/skills/tooluniverse-drug-mechanism-research/SKILL.md.

Что делает tooluniverse-drug-mechanism-research?

Скилл исследует механизм действия лекарства: находит мишени, связывает их с сигнальными путями и оценивает эффект на уровне ткани, органа и клинического исхода.

Какие данные нужны для фармакогеномного исследования?

Сначала нужно найти препарат и получить его идентификатор PharmGKB. Для большинства последующих запросов также требуется ChEMBL ID.

Исходный текст

SKILL.md · Apache-2.0
---
name: tooluniverse-drug-mechanism-research
description: Trace drug mechanism of action — primary target → downstream signaling → pathway perturbation → tissue/organ effect → clinical outcome. Uses DrugBank, ChEMBL, KEGG, Reactome, STRING. Use for understanding how a drug works, identifying off-target effects, mechanism-based combination therapy design, and writing mechanism sections of reports.
triggers:
  - keywords: [mechanism of action, drug target, pharmacology, pathway, pharmacogenomics, drug interaction, DailyMed, CPIC, MOA, off-target]
  - patterns: ["how does .* work", "mechanism of action", "drug target", "pathway context", "clinical pharmacology", "drug-drug interaction", "pharmacogenomic", "off-target effect"]
disable-model-invocation: true
---

# Drug Mechanism of Action Investigation

## Investigation Philosophy

Drug mechanism research follows one core question chain:

**Target -> Downstream Effect -> Pathway -> Organ Effect -> Clinical Outcome**

Start with the drug's primary target. What receptor, enzyme, or transporter does it bind? Then trace forward: what does inhibiting/activating that target do immediately? What pathway is disrupted? What organ-level change results? What does the patient experience?

The LLM already knows drug pharmacology. This skill teaches HOW TO INVESTIGATE using available tools, not what mechanisms exist.

## When to Use

- "What is the mechanism of action of [drug]?"
- "What are the molecular targets of [drug]?"
- "Which pathways are affected by [drug]?"
- "What pharmacogenomic interactions exist for [drug]?"
- "What are the off-targets of [drug]?"
- "Compare mechanisms of [drug A] vs [drug B]"

## NOT for (use other skills)

- Drug safety/adverse events profiling -> `tooluniverse-adverse-event-detection`
- Drug repurposing/new indications -> `tooluniverse-drug-repurposing`
- Target druggability assessment -> `tooluniverse-drug-target-validation`
- Network pharmacology/polypharmacology -> `tooluniverse-network-pharmacology`
- CPIC dosing guidelines specifically -> `tooluniverse-pharmacogenomics`

---

## Step 1: Resolve the Drug

Before investigating mechanism, resolve the drug name to a canonical identifier. You need a ChEMBL ID for most downstream queries.

```python
# Resolve drug name to ChEMBL ID
result = tu.tools.OpenTargets_get_drug_id_description_by_name(drugName="metformin")
# Alternative: OpenTargets_get_drug_chembId_by_generic_name(drugName="metformin")

# Get PharmGKB ID (needed for PGx queries)
result = tu.tools.PharmGKB_search_drugs(query="metformin")
```

**Fallback**: If OpenTargets returns no hits, try `PharmGKB_search_drugs` or `ChEMBL_get_drug` with a known ChEMBL ID.

---

## Step 2: Identify the Primary Target

The first question: what does this drug bind to, and what does it do to that target?

Two complementary sources give you this:

```python
# OpenTargets: quick summary of MOA with target gene symbols
moa = tu.tools.OpenTargets_get_drug_mechanisms_of_action_by_chemblId(chemblId="CHEMBL1431")
for row in moa["data"]["drug"]["mechanismsOfAction"]["rows"]:
    print(f"{row['mechanismOfAction']} ({row['actionType']}) -> {row['targetName']}")
    for t in row.get("targets", []):
        print(f"  Target gene: {t['approvedSymbol']} ({t['id']})")

# ChEMBL: detailed MOA with literature references and direct_interaction flag
mechs = tu.tools.ChEMBL_get_drug_mechanisms(drug_chembl_id="CHEMBL1431")
for m in mechs["data"]["mechanisms"]:
    print(f"MOA: {m['mechanism_of_action']}, Direct: {m['direct_interaction']}")
    print(f"  Refs: {[r['ref_id'] for r in m.get('mechanism_refs', [])]}")
```

**Key fields to extract**: action_type (INHIBITOR, AGONIST, ANTAGONIST, etc.), target gene symbol, direct_interaction (boolean), and literature references.

**Known issue**: `OpenTargets_get_associated_targets_by_drug_chemblId` may fail (GraphQL schema change). Extract targets from the MOA results instead.

---

## Step 3: Assess Off-Target Effects

Most drugs bind more than one target at clinical concentrations. After identifying the primary target, ask: what other proteins does this drug interact with? Off-target binding explains many side effects and drug interactions.

```python
# ChEMBL bioactivity data shows binding affinity across targets
activities = tu.tools.ChEMBL_get_target_activities(target_chembl_id__exact="CHEMBL2364")

# STRING interaction partners reveal the target's protein network
partners = tu.tools.STRING_get_interaction_partners(identifiers="PRKAA1", species=9606)
```

**Reasoning strategy**: If ChEMBL MOA lists multiple targets, compare their action types. Same action type across related targets suggests on-pathway polypharmacology. Different action types suggest true off-target effects. The binding affinity (IC50/Ki from bioactivity data) tells you which targets matter at clinical doses -- nanomolar affinity is primary, micromolar is likely off-target.

---

## Step 4: Map to Pathway Context

A drug target does not work in isolation. Map it to its pathway to understand the breadth of effect.

**Key question**: Is the target upstream (affects many downstream genes, broader effects, more side effects) or downstream (narrow, specific effect)?

```python
# KEGG: find gene ID, then get pathways
genes = tu.tools.kegg_find_genes(keyword="PRKAA1", organism="hsa")
pathways = tu.tools.KEGG_get_gene_pathways(gene_id="hsa:5562")

# Reactome: map protein to pathways (needs UniProt ID)
reactome = tu.tools.Reactome_map_uniprot_to_pathways(uniprot_id="Q13131")

# WikiPathways: search by gene symbol
wp = tu.tools.WikiPathways_find_pathways_by_gene(gene="PRKAA1")

# STRING: functional annotations (GO terms, pathway memberships)
annot = tu.tools.STRING_get_functional_annotations(identifiers="PRKAA1", species=9606)
```

**For multi-target drugs**, run pathway enrichment to find convergent pathways:

```python
# Reactome enrichment (space-separated gene list, NOT array)
enrichment = tu.tools.ReactomeAnalysis_pathway_enrichment(identifiers="PRKAA1 PRKAA2 PRKAB1")

# STRING enrichment
enrichment = tu.tools.STRING_functional_enrichment(protein_ids=["PRKAA1", "PRKAA2"], species=9606)
```

**Reasoning strategy**: If multiple drug targets converge on the same pathway, that pathway is the drug's true mechanism. If targets are in different pathways, the drug has genuinely multi-pathway effects -- report each separately.

---

## Step 5: Get the Regulatory View (DailyMed)

Drug labels describe WHAT the drug does. This is the FDA-approved mechanism narrative.

DailyMed requires a two-step process: search for the drug to get a `setid`, then parse specific label sections.

```python
# Step 1: Get setid
spls = tu.tools.DailyMed_search_spls(drug_name="metformin")
setid = spls["data"][0]["setid"]

# Step 2: Parse the clinical pharmacology section (MOA, PK/PD, metabolism)
pharmacology = tu.tools.DailyMed_parse_clinical_pharmacology(
    operation="parse_clinical_pharmacology", setid=setid)

# Drug interactions from the label
interactions = tu.tools.DailyMed_parse_drug_interactions(
    operation="parse_drug_interactions", setid=setid)

# Contraindications
contra = tu.tools.DailyMed_parse_contraindications(
    operation="parse_contraindications", setid=setid)
```

**Other DailyMed parse tools**: `DailyMed_parse_adverse_reactions`, `DailyMed_parse_dosing`.

**Reasoning strategy**: The label's clinical pharmacology section often describes the mechanism differently from database entries. The label emphasizes clinically relevant effects; databases emphasize molecular detail. Both perspectives are needed.

---

## Step 6: Check Pharmacogenomics

Pharmacogenomic variants affect how a patient responds to the drug. This matters for mechanism because PGx genes are often the drug's metabolizing enzymes or targets.

```python
# CPIC gene-drug pairs (gold standard for PGx)
pairs = tu.tools.CPIC_search_gene_drug_pairs(gene_symbol="CYP2C19", cpiclevel="A", limit=20)
# Or search by drug
drug_info = tu.tools.CPIC_get_drug_info(name="clopidogrel")

# FDA PGx biomarkers (what's on the label)
fda_pgx = tu.tools.fda_pharmacogenomic_biomarkers(drug_name="clopidogrel", limit=100)
# Or find all drugs affected by a gene
fda_pgx = tu.tools.fda_pharmacogenomic_biomarkers(biomarker="CYP2D6", limit=100)

# PharmGKB gene details
gene_info = tu.tools.PharmGKB_search_genes(query="CYP2C19")
```

**Reasoning strategy**: CPIC Level A/B pairs have strong evidence and actionable guidelines. If a drug has CPIC Level A interactions, those genes are critical to its mechanism (usually metabolizing enzymes or direct targets). FDA PGx biomarkers tell you what's on the approved label.

---

## Step 7: Gather Literature Evidence

Literature describes WHY the mechanism works. Combine with labels (what) for a complete picture.

```python
# PubMed: returns a plain list of article dicts
articles = tu.tools.PubMed_search_articles(
    query="metformin mechanism of action AMPK mitochondrial", limit=10)

# EuropePMC: returns {status, data, metadata}
articles = tu.tools.EuropePMC_search_articles(
    query="metformin mechanism action mitochondrial", limit=10)

# Follow citation chains for seminal papers
citations = tu.tools.EuropePMC_get_citations(source="MED", article_id="12345678")
```

**Search strategy**: Start with "[drug] mechanism of action [primary target]". If the mechanism is debated, add the competing hypotheses as separate queries. Recent reviews (add "review" to query) give the current consensus.

---

## Step 8: Integrate and Report

### Evidence Hierarchy

- **Tier 1 (Regulatory)**: FDA label (DailyMed), CPIC Level A, FDA PGx biomarker
- **Tier 2 (Experimental)**: ChEMBL mechanisms with literature refs, binding data
- **Tier 3 (Database)**: OpenTargets MOA, pathway databases (KEGG/Reactome/WikiPathways)
- **Tier 4 (Literature)**: PubMed/EuropePMC articles

### Report Structure

```
## Drug Mechanism Report: [Drug Name]

### Drug Identity
- ChEMBL ID, PharmGKB ID, approval status

### Primary Mechanism
- Target: [gene symbol], Action: [INHIBITOR/AGONIST/etc.]
- Mechanism narrative (from DailyMed + databases)
- Direct interaction: yes/no

### Off-Target Effects
- Additional targets with action types and binding affinities
- Which off-targets explain known side effects

### Pathway Context
- Key pathways (from KEGG/Reactome/WikiPathways)
- Upstream vs downstream position of target
- Convergent pathways for multi-target drugs

### Pharmacogenomics
- CPIC gene-drug pairs with levels
- FDA PGx biomarkers

### Drug Interactions
- Mechanism-based interactions (enzyme inhibition/induction)
- Key interactions from DailyMed

### Evidence Summary
| Finding | Source | Tier |
|---------|--------|------|
| Primary MOA | ChEMBL + DailyMed | T1/T2 |
| Off-targets | ChEMBL bioactivity | T2 |
| Pathways | KEGG/Reactome | T3 |
| PGx | CPIC/FDA | T1 |
```

---

## Comparing Two Drugs

When comparing mechanisms, run Steps 2-4 for both drugs, then align:

1. **Same target, different action?** (e.g., agonist vs antagonist at the same receptor)
2. **Different targets, same pathway?** (e.g., both affect insulin signaling but at different nodes)
3. **Different pathways entirely?** (e.g., metformin on AMPK vs pioglitazone on PPAR-gamma)

```python
for drug in [("metformin", "CHEMBL1431"), ("pioglitazone", "CHEMBL595")]:
    moa = tu.tools.OpenTargets_get_drug_mechanisms_of_action_by_chemblId(chemblId=drug[1])
    clin = tu.tools.DailyMed_parse_clinical_pharmacology(drug_name=drug[0])
```

---

## Fallback Strategies

| Step | Primary Tool | Fallback |
|------|-------------|----------|
| Drug ID | OpenTargets_get_drug_id_description_by_name | PharmGKB_search_drugs |
| MOA | OpenTargets_get_drug_mechanisms_of_action_by_chemblId | ChEMBL_get_drug_mechanisms |
| Pathways | KEGG_get_gene_pathways | WikiPathways_find_pathways_by_gene, Reactome_map_uniprot_to_pathways |
| PGx | CPIC_search_gene_drug_pairs | fda_pharmacogenomic_biomarkers |
| Clinical info | DailyMed_parse_clinical_pharmacology | OpenTargets_get_drug_description_by_chemblId |
| DDI | DailyMed_parse_drug_interactions | PubMed_search_articles (DDI query) |
| Literature | PubMed_search_articles | EuropePMC_search_articles |

**MetaCyc note**: MetaCyc requires a paid account and is not available. Use KEGG, Reactome, or WikiPathways instead.

© mims-harvard · Apache-2.0 · mims-harvard/ToolUniverse

Похожие скиллы

Все скиллы по теме «Наука и исследования» →
drug-labels-search yorkeccak Скилл drug-labels-search для Claude Code, Codex, Cursor и других платформ ИИ-кодинга: ищет по официальным инструкциям к лекарствам FDA через API Valyu. CX Codex +1 137установок Predictive intelligence for drug discovery nullary Сервер Predictive intelligence for drug discovery открывает доступ к базам отрицательных результатов биомедицинских тестов. Помогает проверить неудачные молекулы и мишени до запуска лаборатории. CX Codex +1 1 147установок chembl-database google-deepmind Скилл chembl-database даёт агенту доступ к базе ChEMBL: молекулы, мишени, биоактивность, одобренные лекарства и поиск по структуре. CX Codex +1 2 400установок drug-discovery-search yorkeccak Скилл drug-discovery-search для Claude Code ищет на естественном языке соединения, мишени и сведения о препаратах. Его задачи — проверка мишеней, оптимизация соединений и оценка безопасности. CX Codex +1 169установок pharmgkb-skill официальный OpenAI Скилл pharmgkb-skill для Codex отправляет запросы к PharmGKB и готовит краткие сводки. Запускается, когда нужны сведения о генах, вариантах, клинических аннотациях или рекомендациях по дозировке. CX Codex GP ChatGPT +1 13установок personal-genomics sammcj Скилл personal-genomics разбирает сырые файлы ДНК локально: фармакогеномика, риски болезней, носительство, происхождение и признаки. Генетические данные не покидают машину. CX Codex +1 ★ 173звёзд репо

Из того же набора136

Весь набор →
tooluniverse-immunology Скилл tooluniverse-immunology для иммунологических исследований: анализ взаимодействия антител и антигенов, репертуара T/B-клеток и картирования эпитопов через базы IEDB, SAbDab и IMGT. CX Codex +1 256установок tooluniverse-metagenomics-analysis Скилл tooluniverse-metagenomics-analysis для Claude Code исследует микробиомные данные через MGnify, GTDB, ENA и научную литературу. Анализирует ампликонные и shotgun-исследования. CX Codex +1 256установок tooluniverse-dataset-discovery Скилл tooluniverse-dataset-discovery находит научные датасеты под исследовательские задачи, проверяя дизайн исследования и переменные. Пригодится при поиске когорт, опросов или биомедицинских баз данных. CX Codex +1 254установок tooluniverse-toxicology Скилл tooluniverse-toxicology собирает картину токсичности препарата или химиката: механизм по AOP, сигналы FAERS, предупреждения из инструкций FDA и данные EPA CompTox. CX Codex +1 250установок tooluniverse-regulatory-genomics Скилл tooluniverse-regulatory-genomics ищет регуляторные элементы генома, мотивы связывания факторов транскрипции и оценивает влияние некодирующих мутаций через базы данных и модели. CX Codex +1 247установок tooluniverse-data-integration-analysis Скилл tooluniverse-data-integration-analysis связывает списки генов, мутаций и метаболитов с биологическими базами данных. Помогает понять механизм за статистикой. CX Codex +1 246установок tooluniverse-admet-prediction Скилл tooluniverse-admet-prediction для Claude Code профилирует кандидатов в лекарства по ADMET-свойствам. До лабораторных тестов помогает отсеять заведомо проблемные соединения. CX Codex +1 245установок tooluniverse-data-wrangling Скилл tooluniverse-data-wrangling для Claude Code задаёт правила выгрузки и обработки научных данных через Python в Bash. Переключает агента на код для пакетных выгрузок, тысяч строк и редких форматов. CX Codex +1 245установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой