primekg

primekg 技能概览

primekg 是一个用于查询 PrimeKG 的知识图谱技能。PrimeKG 是一个精准医疗图谱，连接了基因、药物、疾病、表型以及其他相关生物医学实体。当你需要一种快速、以证据为导向的方式，从某个疾病名或靶点名出发，找到周边生物学关系，而不是一篇篇手动检索论文时，它最有用。

primekg 技能非常适合 Academic Research、药物再利用探索、靶点/上下文查询，以及强调关系而非单条事实的网络药理学问题。它的核心价值不只是“找到实体”，而是看清这些实体如何跨越临床层和分子层相互连接。

primekg 最擅长什么

PrimeKG 最擅长本地图查询：直接邻居、疾病上下文，以及合理的药物-疾病或基因-疾病路径。这使它特别适合早期假设生成、背景核查，以及为后续研究筛出一份有生物学关联的候选清单。

什么时候适合安装 primekg

如果你经常会问这类问题，就很适合安装 primekg： “这个疾病附近有哪些基因？”“哪些药物和这个表型有关？”“什么证据把这个靶点和临床结局联系起来？”它对大范围文献综述、方案撰写，或需要叙述式综合而不是图谱推理的任务，帮助就没那么大。

什么会阻碍采用

这个技能默认你愿意围绕结构化的 PrimeKG 数据集工作，并且能接受图谱式输出。如果你需要完全人工整理的临床建议、穷尽式文献综述，或者只要一句话定义，primekg 会显得比通用研究提示词更窄。

如何使用 primekg 技能

primekg 的安装与设置

先按你平常的技能工作流使用这个 repo 技能，然后先打开技能入口文件。对这个仓库来说，应从 scientific-skills/primekg/SKILL.md 开始，再查看技能引用的任何关联代码或配套文档。这个仓库的关键信号主要集中在那一个文件里，所以不需要浏览很大的支撑树。

一个实用的 primekg install 检查很简单：确认这个技能能基于 PrimeKG 图谱模型回答实体查询和关系查询，而不只是概括源文本。

如何提出高质量请求

primekg 的最佳用法，是先明确一个实体、一个想看的关系，以及一个研究目的。弱请求会说“告诉我关于 diabetes 的情况”。强请求会说“找出与 type 2 diabetes 直接相关的基因、药物和表型，并优先标出与再利用相关的药物连接”。

好的提示词要素包括：

• 锚定实体：疾病、基因、药物或表型
• 你关心的关系：邻居、路径、关联或上下文
• 使用场景：假设生成、靶点审查、再利用，或背景研究
• 可选过滤条件：方向、置信偏好，或需要排除的内容

推荐工作流

先窄后宽。先问直接邻居，或最相关的局部上下文。然后再要求第二轮，把结果按实体类型或按研究价值分组。这样可以让输出更可用，也能减少图谱“跑偏”带来的噪声。

例如，更强的 primekg 指令会像这样：

• “Using PrimeKG, show direct disease-gene-drug connections for Parkinson’s disease and flag repurposing-relevant drugs.”
• “For IL6, identify associated diseases and phenotypes in PrimeKG, then summarize the most research-useful connections.”
• “Map one-hop and two-hop links from obesity to candidate drug classes.”

primekg 技能常见问题

primekg 只适合 Academic Research 吗？

不只适合，但 Academic Research 是最清晰的匹配场景。primekg 技能也适用于探索型生物科技、转化生物学和药物发现工作。它并不是为面向患者的医疗建议而设计的。

primekg 和普通提示词有什么不同？

普通提示词可能会从模型记忆里生成看起来合理的生物医学关联。primekg 的目标是把答案锚定在以图谱为中心的工作流里；当你关心关系追踪、实体邻域和再利用关联时，这种方式更合适。

我需要先有图谱或生物信息学经验吗？

不需要。只要能说出一个靶点并把问题描述清楚，初学者也能用 primekg。主要学习成本在于判断自己到底想要直接邻居、疾病上下文，还是类似通路的连接。

什么时候不该用 primekg？

当你需要最新文献、正式临床建议、湿实验协议，或者一个不依赖图谱关系的大范围概览时，就不要用 primekg。如果你的问题没有清晰的锚定实体，它也不是好选择。

如何改进 primekg 技能

给技能更明确的研究框架

当你说明图谱应支持哪项决策时，primekg 的表现会更好。“找相关实体”太宽泛；“找 Alzheimer’s disease 周围的药物和表型上下文，用于再利用筛选”就给了技能清晰边界，也更方便对输出排序。

先问对粒度

一个常见失败模式，是一上来就要太多。如果第一次答案太杂，就把范围收窄到一种实体类型、一个 hop 距离，或者一个疾病/基因对。等局部邻域看起来相关之后，再逐步扩大。

用第一轮输出暴露缺口

把第一轮 primekg 输出当成地图，而不是最终答案。如果你发现缺少某类实体，就换一个切片来问：只看基因、只看药物，或只看表型连接。如果结果太宽泛，就让它按研究价值或机制相关性排序。

用更好的锚点提升 primekg 用法

更好的输入通常包含准确名称和研究目标。对比如下：

• 弱： “What connects obesity and drugs?”
• 强： “Using primekg, list direct drug and phenotype neighbors for obesity and highlight the most plausible repurposing leads.”
• 弱： “Tell me about TP53.”
• 强： “For TP53, return disease associations and nearby drugs relevant to cancer research.”

如果你想获得更好的 primekg 指南效果，就要把任务锚定住，明确要求图谱关系，并在第一轮结果有用之后，再从直接邻居逐步扩展到更远路径。