用 BioServices 构建跨数据库生物信息学查询工作流：UniProt、KEGG、ChEMBL 等 40+ 数据库的统一 Python 接口

用 BioServices 构建跨数据库生物信息学查询工作流：UniProt、KEGG、ChEMBL 等 40+ 数据库的统一 Python 接口

【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000+ scientists worldwide. 165 ready-to-use validated skills plus 100+ scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills

BioServices 是一个提供统一编程接口访问约 40 个生物信息学网络服务与数据库的 Python 包，在本仓库的 BioServices Skill 中，它被封装为一套可直接运行、面向 Agent 的科学技能，适用于在一个工作流内用一致的 API 同时查询 UniProt、KEGG、ChEMBL、Reactome 等多个服务，完成跨库分析、ID 映射、序列比对与通路网络构建。读完本文，你将掌握该 Skill 的核心服务用法、四条现成脚本流水线的运行方式，以及标识符映射、蛋白全流程分析等实战方案，并能结合仓库源码与测试验证行为、定位版本差异。

Skill 概览与使用场景

BioServices Skill 面向需要在单条 Python 工作流中串接多个生物学数据库的场景。它同时透明处理 REST 与 SOAP/WSDL 两种协议，屏蔽了各服务底层协议差异，让开发者以相近的 API 风格访问异构资源。Skill 头部（frontmatter）中声明了版本与边界：

• 目标版本bioservices 1.16.0（PyPI，2026 年 3 月发布），要求Python 3.9–3.12；
• 许可证 GPLv3，允许工具为 Read / Write / Edit / Bash；
• 需要联网访问 40+ 生物信息学 Web API；NCBI BLAST 需提供联系邮箱（NCBI_EMAIL环境变量或显式参数）。

本仓库的 docs/skills.md 对该 Skill 的定位是"提供跨服务一致 API、自动结果缓存、错误处理与重试逻辑、支持 REST 与 SOAP、将结果转换为 Python 对象（dict、list、BioPython 对象），并处理认证、限速与 API 版本管理"。

何时应该选择本 Skill：

• 从 UniProt、PDB、Pfam 检索蛋白质序列、注释或结构；
• 通过 KEGG 或 Reactome 分析代谢通路与基因功能；
• 在 ChEBI、ChEMBL、PubChem 中检索化合物信息；
• 在不同生物数据库（KEGG↔UniProt、化合物 ID）之间转换标识符；
• 运行序列相似性搜索（BLAST、MUSCLE 比对）；
• 查询基因本体条目（QuickGO、GO 注释）；
• 获取蛋白-蛋白相互作用数据（PSICQUIC、IntactComplex）；
• 挖掘基因组数据（BioMart、ArrayExpress、ENA）；
• 在同一工作流中整合多个生物信息资源。

若只是对单个数据库做快速查找，本 Skill 的 frontmatter 建议优先使用gget；序列与文件的底层操作则建议使用biopython，从而与其他 Skill 形成互补定位。

环境准备：安装与凭据

安装固定版本（推荐用uv，与仓库其他 Skill 保持一致）：

uv pip install "bioservices==1.16.0"

依赖会自动安装。上游 CI 覆盖 Python 3.9–3.12。

凭据要求（大多数服务无需 API Key）：

建议每个 Shell 会话设置一次：

export NCBI_EMAIL=your.email@example.com

使用真实的机构或实验室邮箱——NCBI 可能会因大量 BLAST 使用而联系你。邮箱会由脚本做格式校验（见下文resolve_ncbi_email），不设置则 BLAST 步骤被跳过。

核心能力之一：蛋白质分析（UniProt）

UniProt 是蛋白质序列与功能信息数据库。核心方法三个：search()用灵活检索词查蛋白、retrieve()按多种格式取条目、mapping()做库间 ID 转换：

from bioservices import UniProt u = UniProt(verbose=False) # 按名称搜索蛋白 results = u.search("ZAP70_HUMAN", frmt="tab", columns="id,genes,organism") # 获取 FASTA 序列 sequence = u.retrieve("P43403", "fasta") # 跨数据库映射标识符 kegg_ids = u.mapping(fr="UniProtKB_AC-ID", to="KEGG", query="P43403")

方法签名细节见 services_reference.md：

• search(query, frmt="tab", columns=None, limit=None, sort=None, compress=False, include=False, **kwargs)：frmt支持"tab" / "fasta" / "xml" / "rdf" / "gff" / "txt"；columns为逗号分隔列表（如"id,genes,organism,length"）；返回指定格式字符串。
• retrieve(uniprot_id, frmt="txt")：frmt支持"txt" / "fasta" / "xml" / "rdf" / "gff"。
• mapping(fr="UniProtKB_AC-ID", to="KEGG", query="P43403")：query支持单 ID 或逗号分隔的多个 ID，返回输入到输出 ID 的映射字典。
• searchUniProtId(pattern, columns="entry name,length,organism", limit=100)：基于 ID 的便捷检索，返回制表符分隔值。

常用 columns：id, entry name, genes, organism, protein names, length, sequence, go-id, ec, pathway, interactor。

版本注意（UniProt ≥1.10）：UniProt 于 2022 年 6 月更新 REST API，用户侧方法大体不变，但表格型columns名称可能与旧示例不同。若解析失败，可查上游 UniProt 模块中的_legacy_names映射表对齐新名称。

在 protein_analysis_workflow.py 中，search_protein()展示了更稳健的检索逻辑：当输入看起来像 6 位、以O/P/Q开头的 UniProt accession 时先直接retrieve；否则调用search(..., limit=5)，解析首条结果的id, genes, organism, length, protein names。这也演示了返回 TSV 的解析套路——去表头后按\t切分字段。

核心能力之二：通路发现与分析（KEGG）

KEGG 覆盖代谢通路、基因与物种。Skill 以人类ZAP70基因为贯穿示例：

from bioservices import KEGG k = KEGG() k.organism = "hsa" # 设为人类 # 按名称查找物种 k.lookfor_organism("droso") # 查找果蝇相关物种 # 按名称查找通路 k.lookfor_pathway("B cell") # 返回匹配的通路 ID # 获取包含指定基因的通路 pathways = k.get_pathway_by_gene("7535", "hsa") # ZAP70 基因 # 拉取并解析通路数据 data = k.get("hsa04660") parsed = k.parse(data) # 提取通路内部相互作用 interactions = k.parse_kgml_pathway("hsa04660") relations = interactions['relations'] # 蛋白-蛋白相互作用 # 转为 Simple Interaction Format sif_data = k.pathway2sif("hsa04660")

关键方法签名与用途（见 services_reference.md）：

parse_kgml_pathway()返回的relations结构可通过rel.get('name')读取相互作用类型（activation、inhibition、phosphorylation、binding/association 等）、通过rel.get('link')读取PPrel（蛋白-蛋白关系）等链接类型——这正是 pathway_analysis.py 统计"通路规模与相互作用类型分布"的数据来源。

核心能力之三：化合物跨库检索与映射

化合物检索采用 "KEGG 起步、UniChem 搭桥" 的经典链路：

from bioservices import KEGG, UniChem k = KEGG() # 按名称搜化合物 results = k.find("compound", "Geldanamycin") # 返回 cpd:C11222 # 获取含库间链接的化合物信息 compound_info = k.get("cpd:C11222") # 内含 ChEBI 链接 # 通过 UniChem 将 KEGG 交叉引用到 ChEMBL u = UniChem() chembl_id = u.get_compound_id_from_kegg("C11222") # 返回 CHEMBL278315

标准工作流：

1. 在 KEGG 中按化合物名称搜索；
2. 提取 KEGG 化合物 ID（形如C11222，需去掉cpd:前缀）；
3. 用 UniChem 做 KEGG → ChEMBL 映射；
4. 从 KEGG 条目中顺带提取 ChEBI ID（常内嵌于 DBLINKS 区块）。

版本注意事项（务必先探测 API 可用性）：bioservices 1.16.0 中已移除 per-source 的get_compound_id_from_*便捷方法。运行前先检查hasattr(u, "get_compound_id_from_kegg")，若不存在则改用当前 UniChem API，例如u.get_compounds(compound, source_type)后读取res["compounds"][0]["sources"]。ChEMBL 检索同理：用get_molecule，而非 1.6 之前的get_compound_by_chemblId（这正是 compound_cross_reference.py 注释强调的内容）。

UniChem 的关键源 ID 编号（在 services_reference.md 与 identifier_mapping.md 中均有记载）：

核心能力之四：BLAST 序列相似性搜索（NCBIblast）

NCBI BLAST 需要联系邮箱——优先使用NCBI_EMAIL环境变量（与 BioPython Entrez 及仓库其他 Skill 约定一致）：

import os from bioservices import NCBIblast s = NCBIblast(verbose=False) email = os.environ["NCBI_EMAIL"] # 运行前设置：export NCBI_EMAIL=you@lab.org # 对 UniProtKB 运行 BLASTP jobid = s.run( program="blastp", sequence=protein_sequence, stype="protein", database="uniprotkb", email=email, ) # 查询作业状态并取结果 s.getStatus(jobid) results = s.getResult(jobid, "out")

注意：BLAST 作业是异步的，必须先查询状态再取结果。相关签名（见 services_reference.md）：

• run(program, sequence, stype, database, email, **params)：program支持blastp/blastn/blastx/tblastn/tblastx；stype为protein或dna；database如uniprotkb、pdb、refseq_protein；返回作业 ID。
• getStatus(jobid)：返回"RUNNING"、"FINISHED"、"ERROR"。
• getResult(jobid, result_type)：result_type为"out"（默认）/"ids"/"xml"。

protein_analysis_workflow.py 中实现了完整轮询循环：5 秒间隔轮询、最长等待 300 秒、FINISHED后取"out"结果、ERROR或超时则安全退出。

核心能力之五：标识符映射（UniProt + UniChem）

不同数据库标识符体系的换算贯穿几乎一切跨库分析。BioServices 提供四条路线：UniProt Mapping（蛋白/基因 ID 全谱换算）、UniChem（化合物 ID）、KEGG 内嵌交叉引用（解析条目）、PICR（蛋白标识符交叉引用服务）。

from bioservices import UniProt, KEGG # UniProt 映射（支持大量数据库对） u = UniProt() results = u.mapping( fr="UniProtKB_AC-ID", # 源数据库 to="KEGG", # 目标数据库 query="P43403" # 待转换标识符 ) # KEGG 基因 ID → UniProt kegg_to_uniprot = u.mapping(fr="KEGG", to="UniProtKB_AC-ID", query="hsa:7535") # 化合物则用 UniChem from bioservices import UniChem u = UniChem() chembl_from_kegg = u.get_compound_id_from_kegg("C11222")

UniProt 支持 100+ 数据库对，Skill 文档按类别整理了高频映射组合。基因/蛋白类：UniProtKB_AC-ID ↔ KEGG / Ensembl / Ensembl_Protein / Ensembl_Transcript / RefSeq_Protein / RefSeq_Nucleotide / GeneID / HGNC / MGI。结构类：UniProtKB_AC-ID ↔ PDB / Pfam / InterPro。表达与蛋白质组学：↔ PRIDE / ProteomicsDB / PaxDb。物种特异性：↔ FlyBase / WormBase / SGD / ZFIN。通路与网络：↔ GO / Reactome / STRING / BioGRID / OMA等。

常见映射代码参考（见 identifier_mapping.md）：

• 基因/蛋白：UniProtKB_AC-ID、UniProtKB、KEGG（如hsa:7535）、GeneID（Entrez）、Ensembl、Ensembl_Protein、Ensembl_Transcript、RefSeq_Protein（NP_）、RefSeq_Nucleotide（NM_）；
• 命名权威：HGNC、MGI、RGD、SGD、FlyBase、WormBase、ZFIN；
• 结构：PDB、Pfam、InterPro、SUPFAM、PROSITE；
• 通路网络：Reactome、BioCyc、PathwayCommons、STRING、BioGRID。

KEGG 基因 ID 采用organism:gene_id复合格式，如hsa:7535可拆为物种前缀hsa（人类）与基因号7535。KEGG 条目中的DBLINKS（化合物）/ 缩进数据库链接段（基因）也直接内嵌了 ChEBI、UniProt、PubChem 等 ID，可正则解析提取——详细示例见 identifier_mapping.md。

常用映射组合速查

注意返回类型：一个源 ID 可能映射到多个目标 ID（典型如 PDB 结构），因此返回值为列表，处理时要按result[uniprot_id]是 list 来迭代。

UniChem 侧则基于源 ID 编号做化合物换算：

u = UniChem() # 获取某化合物在全部数据库中的 ID all_ids = u.get_all_compound_ids("CHEMBL278315", src_id=1) # 1 = ChEMBL # 指定库间转换：from_src_id=6 (KEGG), to_src_id=1 (ChEMBL) result = u.get_src_compound_ids("C11222", from_src_id=6, to_src_id=1)

Skill 文档还给出了完整的函数化封装模式：identifier_mapping.md 中的 Pattern 1 "Gene Symbol → 多库 ID"（先u.search("gene:ZAP70 AND organism:9606")拿 UniProt，再逐库映射 KEGG/Ensembl/RefSeq/PDB）、Pattern 2 "化合物名 → 全库 ID"、Pattern 3 "分批带错误处理的安全映射"、Pattern 4 "多跳映射（Gene → UniProt → KEGG → Pathways）"。

常见映射故障排查

• 找不到映射（空/None）：核实源 ID 确实存在于源库；检查库代码拼写；尝试反向映射；部分 ID 本就无对应注释。
• 批量过大超时：按 50–100 个/批切分（chunked_mapping）。
• 一个源 ID 对应多目标：按列表处理并迭代。
• 物种歧义：检索务必限定物种，如gene:TP53 AND organism:9606，避免gene:TP53命中多个物种。
• 过期 ID：先u.retrieve(id, frmt="txt")看AC行的主/次级 accession，用现行 ID 再映射。

核心能力之六：基因本体与蛋白相互作用

QuickGO 提供基因本体注释查询，GO 三大类别为 Biological Process（BP）、Molecular Function（MF）、Cellular Component（CC）：

from bioservices import QuickGO g = QuickGO(verbose=False) # 获取 GO term 信息 term_info = g.Term("GO:0003824", frmt="obo") # 检索蛋白注释 annotations = g.Annotation(protein="P43403", format="tsv")

蛋白-蛋白相互作用走 PSICQUIC。PSICQUIC 并非每个发行版都内置——它在 1.16.0 中缺失，因此要防御式导入并回退到IntactComplex、OmniPath或STRING：

from bioservices import PSICQUIC s = PSICQUIC(verbose=False) # 查询特定数据库（如 MINT） interactions = s.query("mint", "ZAP70 AND species:9606") # 列出可用相互作用数据库 databases = s.activeDBs

可用数据库：MINT、IntAct、BioGRID、DIP、InnateDB、MatrixDB、MPIDB、UniProt 及 30+ 其他库。查询语法支持 AND、OR 与物种过滤，如"ZAP70 AND species:9606"；返回 PSI-MI TAB 格式。解析惯例：按\t切分后，第 4/5 列为参与蛋白（uniprotkb:...前缀需剥除），第 11 列为相互作用类型——这与 workflow_patterns.md 及脚本中的字段索引一致。

由于 PSICQUIC 可能缺席，protein_analysis_workflow.py 采用try: from bioservices import PSICQUIC / except ImportError: PSICQUIC = None的降级策略，导入失败时该步骤打印提示后跳过，不让可选步骤拖垮整条流水线——这是编写兼容多版本代码的示范模式。

全链路实战：从脚本到源码的四条流水线

Skill 附带四个可直接执行或改造的脚本，分别对应 SKILL.md 列出的工作流。测试用例位于 tests/bioservices/test_scripts.py，用 mock 替换全部网络服务，断言"本会发出的请求"以及固定应答的解析正确性，全流程不联网即可验证。

1. 完整蛋白质分析流水线

对给定蛋白做端到端刻画：UniProt 搜索 → FASTA 序列 → BLAST 同源搜索 → KEGG 通路发现 → PSICQUIC 相互作用 → GO 注释：

export NCBI_EMAIL=your.email@example.com python scripts/protein_analysis_workflow.py ZAP70_HUMAN # 或在不设置 NCBI_EMAIL 时，把邮箱作为可选第二参数 python scripts/protein_analysis_workflow.py ZAP70_HUMAN your.email@example.com # 跳过耗时的 BLAST（可数分钟级） python scripts/protein_analysis_workflow.py P43403 user@example.com --skip-blast

（以上命令需在 skills/bioservices 目录下执行。）脚本亮点（源码见 protein_analysis_workflow.py）：

• resolve_ncbi_email()（L43-48）：CLI 参数与环境变量取邮箱并用正则^[^@\s]+@[^@\s]+\.[^@\s]+$校验，非法/缺失时 BLAST 优雅跳过；
• search_protein()：直接识别 accession（6 位且首字母O/P/Q）避免误检索；
• BLAST 轮询最长 300 秒，实时打印 elapsed；
• 每步独立try/except包裹，单点失败不断链，末尾输出汇总表（Sequence/BLAST/Pathways/Interactions/GO 各自 ✓/✗/⊘ 状态）。

2. 通路网络分析

分析某物种所有通路的规模与相互作用，导出 CSV/SIF：

python scripts/pathway_analysis.py hsa output_directory/ # 仅分析前 N 条通路 python scripts/pathway_analysis.py mmu ./mouse_pathways --limit 50

（需在 skills/bioservices 目录下执行。）脚本 pathway_analysis.py 的产出物包括：

• pathway_summary.csv：每个通路的基因数、相互作用数及按类型（activation / inhibition / phosphorylation / binding/association / other）分列的计数；
• all_interactions.sif：SIF 三列格式（source<TAB>type<TAB>target），可直接导入 Cytoscape；
• pathways/子目录：逐通路*_interactions.csv（Source/Target/Interaction_Type/Link_Type）。

值得注意的源码细节是 KEGG 平铺文本的解析纪律：字段名顶格起行、续行缩进 12 空格。测试 fixture 用 ATP（C00002，formulaC10H16N5O13P3、exact mass506.9957、ChEBI 15422）校验解析器"必须精确取出这些值，且不得把 PATHWAY 块之后缩进的 DBLINKS 行误当作通路"（见 test_scripts.py），映射了脚本中current_section重置逻辑（L94-100）。统计部分还会输出基因数最多的前 10 通路与最"互联"的前 10 通路。

3. 化合物跨库检索

按名称检索化合物并汇总多库标识符与性质：

python scripts/compound_cross_reference.py Geldanamycin python scripts/compound_cross_reference.py "Adenosine triphosphate" python scripts/compound_cross_reference.py Aspirin --output aspirin_info.txt

（需在 skills/bioservices 目录下执行。）脚本 compound_cross_reference.py 分五步：KEGG 检索化合物 → 解析 KEGG 条目（NAME/FORMULA/EXACT_MASS/MOL_WEIGHT/ChEBI/PATHWAY）→ UniChem 映射 KEGG→ChEMBL → ChEBI 详情（getCompleteEntity，自动补CHEBI:前缀）→ ChEMBL 详情（get_molecule，提取pref_name、full_mwt、alogp、hba/hbd、canonical_smiles）。注意它对旧方法名get_compound_by_chemblId的注释：那是 1.6 之前命名，当前用get_molecule。

4. 批量标识符转换

命令行批处理工具，输入每行一个 ID，自动切块、错误重试、限速与 CSV 导出：

python scripts/batch_id_converter.py input_ids.txt --from UniProtKB_AC-ID --to KEGG python scripts/batch_id_converter.py gene_ids.txt --from GeneID --to UniProtKB --output mapping.csv python scripts/batch_id_converter.py ids.txt --from uniprot --to ensembl --chunk-size 50 # 列出支持别名后退出 python scripts/batch_id_converter.py --list-databases

（需在 skills/bioservices 目录下执行。）batch_id_converter.py 特性：

• 别名归一化normalize_database_code()：DATABASE_CODES字典让uniprot、entrez、refseq等别名自动映射为官方代码（如UniProtKB_AC-ID、GeneID、RefSeq_Protein），官方代码原样通过；
• 批量转换支持--chunk-size（默认 100）与--delay（默认 0.5s）控制请求节奏；某个块失败时逐 ID 降级重试；
• 输出 CSV 含Source_ID / Source_DB / Target_IDs / Target_DB / Mapping_Status，多条目标以;分隔；
• --save-failed可将失败 ID 另存文件，便于后续重试。

测试对该批处理机制覆盖全面：大列表按请求大小正确切块、失败块逐条重试、从未返回的 ID 标记失败、CSV 的Failed行确实是未映射项、别名双向归一化（test_scripts.py）。

多服务集成与最佳实践

输出格式处理

不同服务返回不同格式，SKILL.md 给出对应策略：

• XML：用 BeautifulSoup 解析（多数 SOAP 服务）；
• TSV：TSV 表格数据交给 Pandas DataFrame，如pd.read_csv(StringIO(results), sep="\t")；
• Dict/JSON：直接 Python 处理；
• FASTA：交给 BioPython 做序列分析，如SeqIO.read(StringIO(fasta_data), "fasta")。

与 Pandas / BioPython / NetworkX 的融合示例见 workflow_patterns.md：FASTA 经SeqIO得到len(record.seq)与描述；TSV 检索结果直接pd.read_csv(..., sep="\t")。结合前文对 KEGG 平铺文本"顶格字段 + 缩进续行"的解析约束，可看出 BioServices 生态的输出处理必须针对格式逐一设计解析器——这也是 Skill 附带测试专门覆盖解析正确性的原因。

限速、超时与日志

from bioservices import KEGG k = KEGG(verbose=False) # 抑制 HTTP 请求细节日志 k.TIMEOUT = 30 # 慢网络下调整超时 # 若服务支持：k.DELAY = 1 # 请求间延迟 # 部分服务支持结果缓存：service.CACHE = True / service.clear_cache()

绝大多数服务支持verbose参数；TIMEOUT与可选的DELAY控制限速行为（详见 services_reference.md）。批处理通用纪律包括：批量间time.sleep(0.5)礼貌限速、对空结果做非空校验、长任务分块打印进度、中间结果落盘（json.dump(..., indent=2)）。

错误处理

服务调用包在 try-except 中，且对空结果显式判定：

try: results = u.search("ambiguous_query") if results: # 处理结果 pass except Exception as e: print(f"Search failed: {e}")

物种代码速查

使用标准物种缩写，需列举全部物种可用k.list("organism")或k.organismIds：

• hsa：Homo sapiens（人类）
• mmu：Mus musculus（小鼠）
• dme：Drosophila melanogaster（果蝇）
• sce：Saccharomyces cerevisiae（酵母）
• eco：Escherichia coli（大肠杆菌）

参考工作流模板

除脚本外，workflow_patterns.md 定义了可复用的多步模板，并可直接套用：基因功能注释（UniProt 搜gene:TP53 AND organism:9606→ KEGG 通路 → QuickGO 按 BP/P/F/C 分组注释 → 解析retrieve(txt)中的FT DOMAIN特征行）、蛋白互作网络构建（用 PSICQUIC 逐个蛋白查询后以 NetworkX 建图并导出.gml供 Cytoscape 可视化）、多物种比较分析（对hsa/mmu/dme/sce循环调用lookfor_pathway("cell cycle")比较通路存在性）。

Skill 资源清单与延伸阅读

本 Skill 的资源组织如下：

• 脚本（skills/bioservices/scripts，可直接执行或改造）：
  • protein_analysis_workflow.py：端到端蛋白表征；
  • pathway_analysis.py：KEGG 通路发现与网络提取（导出 CSV/SIF）；
  • compound_cross_reference.py：多库化合物检索；
  • batch_id_converter.py：批量 ID 映射。
• 参考文档（按需加载）：
  • services_reference.md：40+ 服务及其方法全览（UniProt/KEGG/HGNC/MyGeneInfo/ChEBI/ChEMBL/UniChem/PubChem/NCBIblast/Reactome/PSICQUIC/IntactComplex/OmniPath/QuickGO/BioMart/ArrayExpress/ENA/PDB/Pfam/BioModels/COG/BiGG 等）；
  • workflow_patterns.md：多步分析工作流详解；
  • identifier_mapping.md：跨库 ID 转换完整指南。
• 测试：tests/bioservices/test_scripts.py 使用离线 mock 验证全部四个脚本的请求构造与应答解析，其中 KEGG ATP 夹具与批处理切块/重试/别名归一的断言，是理解脚本预期行为的直接参考。

遇到单服务快速查询时，可参考仓库中 gget 等相邻 Skill；序列底层处理则搭配 biopython。若需在不安装依赖的前提下快速理解各 Skill 脚本的 CLI 约定与解析行为，test_scripts.py 里的skill_contract.cli.help_test_case(SKILL_ROOT)（L47）为整个 Skill 家族提供了统一的帮助信息契约测试。整体安装与使用方式请回到 BioServices SKILL.md 的 Installation 与 Credentials 小节，按其固定版本与NCBI_EMAIL约定开始第一条跨库查询流水线。

【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000+ scientists worldwide. 165 ready-to-use validated skills plus 100+ scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills