科學工具的執行與驗收

先明確實際輸入和執行環境，再執行計算。本例使用真實 GSE60450 計數及已有包，可在本地復現。

選擇執行位置

路徑	適用工作	就緒檢查
Python Session Notebook	資料解析、數值彙總、繪圖	當前繫結 Python 與已安裝包
R Session Notebook	R 分析及包	已啟用並繫結到會話的 R
內建 Connector	資料檢索或受支援確定性操作	Agent 可訪問，具備憑據/網路
Remote Compute	主機軟體、GPU、批處理	已啟用主機、環境、排程器

Shell 與 Session Notebook 的環境、輸入掛載和溯源不同，應明確要求執行路徑。

包與依賴

步驟	操作	成功標準
檢查	在正確語言/環境使用 `inspect_packages`	實際安裝狀態和版本
安裝	使用當前環境支援的 `manage_packages`	安裝完成輸出，不只是已開始
重啟	應用要求時重啟或重新繫結核心	下一單元使用更新環境
驗證	在同一 Notebook 匯入	真實版本和小範圍操作成功

安裝軟體包返回 HTTP CONNECT 403 時，先檢查受影響域名及網路設定，再重試。只有已有軟體包能夠完成所需方法時才使用它；計算成功不代表失敗的包安裝已經修復。

執行並核驗本地 RNA-seq

案例演示 檢查 GSE60450 矩陣的樣本計數

附加 GSE60450 輸入。
選擇 Python 或 R Notebook，安裝前檢查版本。
檢查完整矩陣維度與計數完整性，將 EntrezGeneID、Length 從樣本列中排除。
按完整樣本 ID 計算總計數、零計數基因、檢出基因、檢出基因中位數。
儲存新 CSV、圖和方法報告，比較原始檔前後 SHA-256。
重開全部輸出檢查樣本數、標籤、指標，並閱讀 Notebook 程式碼及日誌。

將輸出標識與指標和示例基準比較，保留原始輸入不變。描述性計數不能證明歸一化表達、差異表達或臨床結論。

Python QC CSV · R/Python 對照 · Skill 校驗。

在 CPU 上設計一個小型蛋白序列

案例演示 為 1UBQ 骨架設計候選序列

本路線透過官方 ProteinMPNN CLI，以人泛素 PDB 1UBQ 的 A 鏈為輸入，分別使用 vanilla 和 soluble 權重生成一個候選。這是依賴已有骨架的逆折疊計算。

準備程式和權重

需要帶可用 venv、pip 的受支援 Python、Git、網路和可寫資料夾。以下為 macOS/Linux shell 命令；Windows 使用相應的 .venv\Scripts\python.exe，並按所用 shell 語法設定 CUDA_VISIBLE_DEVICES。

mkdir protein-design
cd protein-design
git clone https://github.com/dauparas/ProteinMPNN.git
git -C ProteinMPNN checkout 8907e6671bfbfc92303b5f79c4b5e6ce47cdef57
python3 -m venv .venv
.venv/bin/python -m pip install torch numpy
.venv/bin/python -c "import sys, torch, numpy; print(sys.version); print(torch.__version__, numpy.__version__)"
.venv/bin/python -m pip freeze > environment.txt

固定提交中包含 vanilla_model_weights/v_48_020.pt 和 soluble_model_weights/v_48_020.pt，請確認兩者存在。將 1UBQ 輸入下載到 protein-design，命名為 1UBQ.pdb，與輸出資料夾分開保留。

這一步在外部虛擬環境中安裝依賴。若 pip 提示沒有相容發行包，先選擇可用 PyTorch wheel 支援的 Python 版本。儲存 environment.txt；更換 Python、PyTorch 或 NumPy 可能改變數值結果。系統更新後，舊虛擬環境若找不到原始直譯器，應使用當前相容 Python 重建。

執行兩個模型並儲存結果

在 protein-design 中執行：

CUDA_VISIBLE_DEVICES="" .venv/bin/python ProteinMPNN/protein_mpnn_run.py \
  --pdb_path 1UBQ.pdb --pdb_path_chains A --model_name v_48_020 \
  --num_seq_per_target 1 --batch_size 1 --sampling_temp 0.1 --seed 42 \
  --out_folder outputs/vanilla
CUDA_VISIBLE_DEVICES="" .venv/bin/python ProteinMPNN/protein_mpnn_run.py \
  --pdb_path 1UBQ.pdb --pdb_path_chains A --model_name v_48_020 \
  --use_soluble_model --num_seq_per_target 1 --batch_size 1 \
  --sampling_temp 0.1 --seed 42 --out_folder outputs/soluble

兩條命令均使用 A 鏈、一個候選、溫度 0.1、種子 42。清空 CUDA 裝置可見性使該程式使用 CPU。預期檔案為 outputs/vanilla/seqs/1UBQ.fa 和 outputs/soluble/seqs/1UBQ.fa；匯入或釋出時應保留各自模型身份。

在 Open-Science 中執行時，先透過 Your files → Grant folder… 授權準備好的資料夾，再要求 Agent 使用該環境的 Python 絕對路徑和上述工作目錄執行。審批時檢查命令與範圍。要求將兩個 FASTA 和比較報告發布為產物，再從 Files 開啟三個檔案。只在工作目錄中存在的檔案仍需釋出。

:::caution[Skill 包載入] 若內建模型 Skill 因包路徑驗證失敗而無法載入，請按故障排查反饋。上述 CLI 是獨立路線；CLI 成功不代表原生 Skill 載入已恢復。 :::

檢查設計序列

CPU 實際執行結果與重開的對比報告

本例儲存的輸出結果如下：

輸出	候選殘基數	分數	相對原生序列的恢復率
ProteinMPNN FASTA	76	0.7883	55.26%
SolubleMPNN FASTA	76	0.7900	59.21%

每個 FASTA 有兩條記錄，第一條是原生序列，第二條才是單個設計候選。獨立核對確認每條 76 個標準氨基酸、分數有限、逐位重算恢復率一致、PDB 輸入 SHA-256 不變，託管產出與程式輸出位元組一致。對比報告保留引數和限制。一次、每模型一個候選的分數不能證明哪個模型的摺疊、溶解性或功能更好。

按失敗階段排錯

現象	下一步
無執行環境 / R 不可用	在執行環境安裝或啟用後繫結
ImportError / ModuleNotFoundError / no package called	核對環境並使用託管包管理
Unknown Skill / 核心輔助函式無效	區分方法指令和真正可呼叫的 Notebook 函式
輸入版本不可用 / 檔案不存在	透過應用解析當前準確輸入，不猜路徑
網路或 HTTP 錯誤	保留主機、操作與狀態，參見網路控制和錯誤說明
輸出只在工作目錄	使用支援的結果釋出，再重開儲存版本
無生產程式碼 / 環境部分記錄	保留限制，不編造證據

遠端任務應分別驗證主機、提交、狀態和結果收集。Direct SSH RNA-seq 示例已完成並獨立核對結果。Slurm 終態監控需要可讀取的記賬查詢，遠端計算還記錄了使用獨立 CUDA 環境在 A100 上完成的 ProteinMPNN 推理及輸出核對。支援 CPU 的方法需單獨評估。

實現依據: notebook.ts, SKILL.md, SKILL.md。

適用的長時間執行操作見後臺任務與結果送達。結果送達後檢查實際執行和儲存輸出。Environment & Packages、Compute Environment Setup、Remote Compute (SSH) 保持啟用，但執行時、網路和主機要求仍然有效。

選擇執行位置​

包與依賴​

執行並核驗本地 RNA-seq​

在 CPU 上設計一個小型蛋白序列​

準備程式和權重​

執行兩個模型並儲存結果​

檢查設計序列​

按失敗階段排錯​