Dr. HSIEH MEDIA LAB

實用的 Claude Science 應用  prompt 範例。 部分內容的實際操作影片已放上 Youtube，可以由此觀看： https://www.youtube.com/playlist?list=PLUXHhspR-9HY 使用手冊線上商店： https://drhsieh.gumroad.com/l/addtra 序言（含 Claude Science 在 macOS, Linux 和 MS Windows 電腦上的安裝方法） 第一章：Claude Science：整合的生醫科學研究平台 第二章：認識 Claude Science 的協調代理 (Coordinating Agents) 第三章：大規模文獻回顧 第四章：查詢核心資料庫：UniProt、PDB 與 ChEMBL 第五章：基因變異分析 第六章：評估蛋白質結構的可信度 第七章：實證醫學 (Evidence-Based Medicine) 第八章：系統性文獻回顧與統合分析 (Systematic Review and Meta-Analysis) 第九章：打造可重現的研究成果 第十章：審查代理：抓出 AI 的錯誤 第十一章：從分析結果到論文手稿 第十二章：判斷、倫理與 AI 自動化的界線 Have Fun ^^

 分享~ 用 AI 編寫了一本入門手冊，供有興趣的朋友參考。 用 Gemini for Science 學習生物醫學 https://geminisci.netlify.app/ Have fun 🌈

來自史丹佛大學的研究團隊開發出了一個生醫界的 AI Agent —— Biomni 。它不是一般的聊天機器人，而是一個全能型的生醫 AI 助理 (AI agent)，整合運用 150 specialized tools, 59 databases, and 105 software。 這項成果發表在 Science 雜誌 2026/7/9。 登入網站即可使用 https://biomni.stanford.edu 參考資料 Huang, K., Zhang, S., Wang, H., Qu, Y., Lu, Y., Roohani, Y., ... & Leskovec, J. (2025). Biomni: A general-purpose biomedical ai agent. biorxiv. https://www.biorxiv.org/content/10.1101/2025.05.30.656746v1 Huang, K., Zhang, S., Wang, H., Qu, Y., Lu, Y., Li, R., ... & Leskovec, J. (2026). Autonomous biomedical research with an artificial intelligence agent. Science, eadz4351. https://www.science.org/doi/10.1126/science.adz4351

toollist.md Claude Science 是 Anthropic 於 2026 年 6 月 30 日推出的科學研究工作台(beta),可連接超過 60 個科學資料庫和工具。主要涵蓋範圍: 內建整合的資料庫(生命科學領域) 生物學相關資源包括 UniProt、PDB、Ensembl、Reactome、ClinVar、ChEMBL、GEO 等,各自有不同的資料結構和查詢語言,系統會用專門的 agent 自動查詢整合這些來源。 預先配置的專業領域 內建基因組學(genomics)、蛋白質體學(proteomics)、結構生物學、化學資訊學(cheminformatics)等領域的工具包,另外也涵蓋單細胞分析。 外部模型 / 工具整合 透過 NVIDIA 的 BioNeMo Agent Toolkit 原生連接生命科學模型與函式庫,包括 Evo 2、Boltz-2、OpenFold3 運算與基礎設施 HPC 與 Slurm(透過 SSH)排程整合、透過 Modal 的隨需雲端運算,並支援持續性的 Python 與 R 環境 自訂連接 實驗室也可以把自己的內部 API、電子實驗記錄本(ELN)、專屬管線接入,存成可重複使用的技能或連接器,未來的工作階段會自動沿用 平台與方案 目前提供 macOS 和 Linux 版本,適用於 Pro、Max、Team 和 Enterprise 方案的使用者(Team 與 Enterprise 方案需管理員先啟用)。 根據官方文件,以下是完整清單: Featured 連接器(預設開啟,唯讀,不需帳號/金鑰) 類別 涵蓋資料庫 基因組 Ensembl(含 VEP)、UCSC 基因與本體論 MyGene、UniProt、GO、Reactome、OLS 變異 gnomAD、ClinVar、dbSNP 人類遺傳學 GWAS Catalog、eQTL Catalogue、FinnGen、BioBank Japan 臨床基因體 ClinGen、CIViC、Open Targets 表現量 GTEx 調控 ENCODE、JASPAR、UniBind 蛋白質註解 InterPro、Pfam、Human...

gemini_for_science_status_copy.md Gemini for Science Status 🧬 Available Science Skills Below is a categorized list of all science skills now available in your workspace. You can trigger them at any time by asking relevant questions or providing data files. 🧬 Genomics & Genetics alphagenome-single-variant-analysis: Analyze variant effects on gene expression, chromatin accessibility, transcription factors (AlphaGenome API). dbsnp-database: Resolve rsIDs, genomic coordinates, and HGVS variant definitions. gnomad-database: Look up allele frequency and loss-of-function constraint metrics (pLI, LOEUF) in gnomAD. clinvar-database: Access variant clinical significance, pathogenicity classifications, and evidence. gtex-database: Retrieve tissue-specific RNA-seq expression and eQTL associations across 54 tissues. ensembl-database: Map gene/transcript/protein IDs and retrieve sequence or variant consequence predictions (VEP). ucsc-conservation-and-tfbs: Fetch c...

用 Claude Science 評估蛋白質結構的可信度 https://www.youtube.com/watch?v=GhqIosbiPJk 介紹 Claude Science 在蛋白質結構的分析上的應用： 如何顯示蛋白質結構實驗模型或預測模型，並附註其限制 區分結構中高解析度（well-resolved）與低解析度（poorly resolved）的區域 檢索或生成預測結構模型並正確閱讀其可信度指標 對照相關的實驗結構來對預測模型進行合理性檢查 討論藥物可能的結合位置 單一胺基酸變異的影響與結構預測 Have Fun ^^

用 Claude Science 做基因變異和致病性分析 https://youtu.be/CQc2onmiq3I 如何判斷一個人的基因變異的臨床意義，它只是個無關緊要的變異？還是致病變異？會遺傳嗎？還是一個臨床意義不明變異（Variant of Uncertain Significance, VUS）？這些判斷的依據是什麼？ 遺傳變異偵測工作流程 - 原始 DNA 短序列 - 對準人類參考基因組 GRCh38 - 標記可能由實驗產生的重複資料 - 找出與參考基因組不同的位置 - 加入族群頻率及可能功能影響 - 產生附註解的 VCF 變異清單 Have Fun ^^

用 Claude Science 查詢核心資料庫：UniProt, PDB, 和 ChEMBL https://youtu.be/tIpmzreQ2Rs 內容： 介紹如何用 Claude Science 來檢索 UniProt 蛋白質資料庫, PDB 蛋白質結構資料庫，並且找出哪些突變位置和藥物活性有關。 並且檢索 ChEMBL 生化分子活性資料庫，來整理各種藥物的效用，並辨識出藥物化學分子結構上，哪裡是可能決定藥物活性的位置。 Have Fun ^^.

用 Claude Science 做文獻回顧 — 對本地電腦資料夾內的大量 pdf 論文 https://youtu.be/Hk8MlJ3olIg   當我們收集了 100 多篇某個主題的論文的 pdf 檔案，放在自己電腦的同一個目錄下，要如何使用 Claude Science 來評讀文獻，找出矛盾，進而提出新的假設和實驗驗證的提議呢？  這個影片先用 20 篇 pdf 來示範，介紹了幾個用 AI 做文獻回顧的步驟和技巧。  Have Fun ^^

分享~ 認識 Claude Science 的協調代理 (Coordinating Agents)  https://www.youtube.com/watch?v=d7VwDfHCaC8   Claude Science 底層的架構，有一個協調代理，負責：  聽懂需求 拆解任務 調度資源 串起整個流程 交給審查代理檢查 影片介紹幾種代理的範例，並介紹自定 SKILL 的方式。   Have fun ^^

大家好， Claude Science: 整合的生醫科學研究平台 https://www.youtube.com/watch?v=ISv5OvAa8CU 這部影片介紹了 Claude Science，也分享了實際操作的過程，它的功能強大豐富，令人印象深刻。 Claude Science 是： 一個整合的 AI 生醫科學研究工作平台。 功能強大的研究筆記本，可儲存，可重現，可追溯資料。 實際操作示範： 文獻搜尋與篩選 蛋白質序列到結構的分析 基因序列與人類疾病的關聯分析 您也可以用自己感興趣的分子和疾病，來設計問題，探索體驗 Claude Science 的強大功能。 Have Fun ^^. HCP

20260709installUbuntu.md 在 Windows 電腦上空出硬碟空間並安裝獨立的 Ubuntu（也就是所謂的「雙系統 Dual Boot」），主要可以分為兩個核心階段： 在 Windows 中壓縮出未分配空間 ，以及 製作安裝碟並切過來安裝 。 以下是為你整理的完整實戰指南： 階段一：在 Windows 中空出硬碟空間 切記 不要 直接去格式化或刪除你現有的 C 槽或 D 槽！我們需要使用的是 Windows 內建的「磁碟管理」工具，安全地將現有磁碟「壓縮」出一塊空白地盤。 打開磁碟管理： 在 Windows 開始選單圖示上點擊 滑鼠右鍵 ，選擇 「磁碟管理」 (Disk Management) 。 選擇要壓縮的磁碟： 找到你想要撥出空間給 Ubuntu 的磁碟（通常是 C 槽或 D 槽），在上面點擊 滑鼠右鍵 ，選擇 「壓縮磁區」 (Shrink Volume) 。 輸入壓縮量： 系統會計算可壓縮的空間。在「輸入要壓縮的空間大小 (MB)」欄位中，輸入你想分給 Ubuntu 的大小。 建議： 基礎使用至少給 30,000 MB (約 30 GB) ；如果打算當主力開發或學習機，建議給 50,000 MB ~ 100,000 MB (50~100 GB) 以上。 執行壓縮： 點擊「壓縮」。完成後，你會看到該磁碟右邊多了一塊黑色的 「未分配」 (Unallocated) 空間。這塊就是準備給 Ubuntu 的家， 請保持它維持「未分配」狀態，不要去新建簡單磁區！ 階段二：製作 Ubuntu USB 安裝隨身碟 你需要準備一支 8GB 以上的隨身碟 （注意：製作過程會清空隨身碟，請先備份裡面資料）。 下載 Ubuntu ISO 映像檔： 前往 Ubuntu 官方網站，下載最新的 LTS 版本（例如 24.04 LTS 或更高），這通常是最穩定的版本。 下載燒錄軟體： 推薦下載免費且好用的 Rufus 或 BalenaEtcher 。 燒錄 ISO 到隨身碟： 打開 Rufus，選擇你的隨身碟，並在「開機選取」選擇剛剛下載的 Ubuntu ISO 檔。資料分割配置一般保持 GPT ，目標系統為 UEFI (非 CSM) 。點擊「執行」直到燒錄完成。 ...

readme3.md 如何在 MS Windows 系統下跑 Claude Science Author: Dr. Hsieh CP Anthropic 在 2026/6/30 宣布推出了 Claude Science，功能是為基因體學、單細胞、蛋白質體學、結構生物學、化學資訊學等領域，提供了整合性的 AI 環境。然而，目前 Claude Science 只提供 Mac 和 Linux 系統的安裝，主要是因為它的程式架構還是在 Linux 系統下運作。對廣大的 MS Windows 系統使用者來說，目前似乎就不能馬上體驗。這裡，我分享一種在 Windows 系統下，利用 WSL2 (Windows Subsystem for Linux 2) 的環境來跑 Claude Science 的方法。 按：要使用 Claude Science 必需是 Claude AI Pro 以上的月租用戶。 在 Windows 下跑 Claude Science 的示範影片： 在 Windows 系統也能玩 Claude Science https://youtu.be/ZQU8DfCzdh0 安裝方法與步驟： 1. 在 Windows 下安裝 WSL 2 Ubuntu Linux 環境 準備工作：啟用 WSL 2 與安裝 Ubuntu 如果您的電腦尚未啟用 WSL 2，請先依序執行以下步驟： 啟用 Windows 功能 在 Windows 搜尋列輸入 cmd ，按右鍵選擇「以系統管理員身分執行」，打開終端機視窗。 複製並貼上以下指令，啟用 WSL 和虛擬機器平台功能： dism.exe /online / enable-feature /featurename:Microsoft -Windows-Subsystem-Linux /all /norestart dism.exe /online / enable-feature /featurename:VirtualMachinePlatform /all /norestart 重新啟動電腦 以套用變更。 設定 WSL 2 為預設版本 重啟後，再次打開 cmd（系統管理員身分執行），輸入以下指令： wsl --set-default-version...

readme.md Anthropic 的 Claude AI 前幾天發布了 Claude Science 的平台， 供科學研究和學習使用。 利用週五的晚上，我開箱了 Claude Science，請見 Youtube 影片： 開箱 Claude Science，令人心悸的初體驗 https://www.youtube.com/watch?v=dumqHskJ-ZI Have Fun ^^ 附註： 本地電腦的環境是在 Ubuntu 20.04 Linux 系統， 在開箱的過程中，初次執行 Claude Science 的程式時，出現了錯誤訊息： "Sandbox unavailable: bwrap too old: --disable-userns requires bwrap ≥0.8.0" 所幸，我用 conda env 創建 Python 3.14 的獨立環境後，在裡面安裝較新版的 bubblewrap ： conda install -c conda-forge bubblewrap 之後就可以順利執行啟動了。

大家好， 分享 AI 協作的電子書 統合分析筆記：R 語言實作 https://metrnote.netlify.app/ 為醫學院與公共衛生學院研究生程度整理的統合分析 (Meta-Analysis)  與網路統合分析（Network Meta-Analysis）筆記。 另外，也製作了一個 meta-analysis 初學教學 Youtube 影片： https://www.youtube.com/watch?v=zuld2aM9F3w Have fun ^^

《用 R 學生物醫學統計》 （ https://biostatr.netlify.app/ ）。這是一本專為醫學、公共衛生領域初學者設計的電子書。 全書涵蓋 14 個核心章節，從基礎的描述統計、機率分布，到進階的假設檢定、迴歸分析、非參數方法，甚至流行病學研究設計與人時資料分析，內容相當全面。本書的最大亮點在於「培養統計直覺」，並結合實用的 R 語言程式碼示範。在 AI 輔助程式編寫的時代，它能有效幫助讀者專注於資料型態與統計方法的核心概念，非常適合醫公衛學生或研究人員自學參考。

intropy.md 【好站推薦】免費開源的《生物醫學統計學入門》線上教材 對於醫學與公共衛生領域的新鮮人來說，複雜的數據統計與程式碼常讓人望而卻步。最近發現了一個非常棒的線上學習資源—— 《生物醫學統計學入門》 （ https://pymedstat.netlify.app/ ）。 這是一本專為醫學院和公衛學院學生設計的電子書，內容涵蓋從描述統計、機率分布，到各式假設檢定與流行病學研究設計等共 14 個核心章節。最特別的是，全書結合了 Python （優先使用 pandas 與 seaborn 套件）進行實作示範。網站強調在 AI 時代，學習重點應放在「建立統計直覺、理解資料型態與圖形之窗」，不用太在意程式碼的細節。無論是想打好生統基礎，還是想學習如何用 Python 做可重複性的醫學資料分析，這個網站都非常值得收藏與研讀！

introR.md 推薦好站：輕鬆用 R 語言玩生物統計學 📊 推薦一個專為醫學與公衛領域打造的優質學習網站——《輕鬆用 R 語言玩生物統計學》電子書！ 如果你看到密密麻麻的數學公式就頭痛，這本書絕對是你的救星。它打破傳統死記硬背的教學方式，以「數據偵探」的直覺邏輯，帶領讀者深入淺出地解開醫學臨床數據背後的真相。 💡 本書三大核心特色： 真實臨床案例 ：拒絕空洞理論，從實用的醫療故事切換至統計觀念。 手把手 R 語言實作 ：教你用 RStudio 與 ggplot2 輕鬆繪製高質感圖表。 中英雙語對照 ：採用醫學界慣用名詞，無縫接軌實證醫學。 網站涵蓋了從基礎敘述統計、假設檢定，到進階的流行病學與存活分析等 14 個完整章節。無論你是大一新鮮人，還是想精進論文分析的研究者，這都是你不可錯過的寶藏網站，快點進去和 R 語言一起學生物統計吧！ 🔗 網站傳送門 ： https://rmedstat.netlify.app/

intro_chinese.md Hsieh, Chi-Pan (MD/PhD) email: hsiehcp@protonmail.com Taipei, Taiwan, June 2026 Q-EBM Search 的搜尋策略 https://ebmsearch.goodmed100.com/ Evidence-Based Medicine Search from PubMed Q-EBM Search 網站使用三種依證據類型設計的搜尋字串，因為它們對應到臨床醫學中我們經常需要查找的三類證據： 隨機對照試驗，或 RCT 系統性回顧與統合分析 臨床實務指引與共識聲明 這個網站也提供可選用的期刊篩選器： 搜尋全部 核心臨床期刊 頂尖期刊 可以把這些想成通往文獻的三扇不同的門。如果你問的是某項介入是否有效，通常會想找 RCT。如果你想了解整體證據現況，會想找系統性回顧或統合分析。如果你需要知道目前臨床醫師實際被建議怎麼做，會想找臨床指引。 這樣的區分在查房、門診與期刊討論會中都很重要。同一位病人的問題，單一 RCT、統合分析與臨床指引可能都相關，但它們回答的問題略有不同。期刊篩選器則回答另一個工作流程上的問題：期刊來源應該要多廣泛，或要多精選？ 1. RCT 搜尋策略 為什麼從 RCT 開始？ 當臨床問題是關於治療效果時，RCT 通常是我們所能取得最乾淨的原始研究設計。隨機分派有助於平衡兩組之間已測量與未測量的差異，因此我們可以更有信心地認為結果與介入有關，而不是來自病人基線特徵的差異。 問題在於，PubMed 不會立刻標記每一篇 RCT。新發表的紀錄可能尚未由 NLM 索引人員指定正式的出版類型或 MeSH 詞彙，可能會漏掉較新的或尚未完整索引的研究。另外，有些臨床試驗在中途即因為副作用或效果未達預期，就中斷研究，未必有寫成 RCT 期刊論文發表。 這就是為什麼本站使用 Cochrane Highly Sensitive Search Strategy。它的設計目的是提高敏感度，以找出已索引的試驗、索引尚未完整的試驗，以及最近加入 PubMed 的紀錄，以減少搜尋過程的偏差 (bias)，盡量把正反面結果的報告都完整收集，以利於進一步的系統性回顧。 搜尋字串： (rando...

note01.md 通用型尖端大語言模型（Frontier LLMs）與醫療專用 AI 工具（Clinical AI tools）在醫學基準測試上的表現對比 Vishwanath, K., Alyakin, A., Ghosh, M., Hage, A., Neifert, S. N., Orillac, C., ... & Oermann, E. K. (2026). General-purpose large language models outperform specialized clinical AI tools on medical benchmarks. Nature Medicine, 1-5 . 這篇發表於《Nature Medicine》的研究，主要探討了通用型尖端大語言模型（Frontier LLMs） 與 醫療專用 AI 工具（Clinical AI tools）在醫學基準測試上的表現對比 。 以下為該研究的核心要點整理： 核心研究發現 通用型模型全面勝出 ：無論是在基礎醫學知識、臨床醫師對齊，還是真實臨床問題的測試中，通用型的尖端 LLM（如 Gemini、GPT）表現均 優於 專門為醫療設計的 AI 工具（如 OpenEvidence、UpToDate Expert AI）。 醫療 AI 與搜尋 AI 相當 ：臨床專用 AI 工具在真實臨床查詢（RCQ）中的表現，僅與常規的 Google 搜尋 AI 摘要（Google Search AI Overview）相當 。 主要結果 圖片出自 https://www.nature.com/articles/s41591-026-04431-5/figures/2 圖片說明 a. MedQA 準確率：測試模型醫學知識的基礎表現（每款模型測試 500 題）。 b. HealthBench 分數：評估模型與臨床醫生決策的對齊程度（每款模型測試 500 題）。 c. RCQ 臨床醫生綜合平均評分：採用 1 至 4 分制 。由 12 名臨床醫生中的 3 名對 100 題真實臨床查詢的生成結果進行獨立評分，排除 32 項被標記為「拒答」的配對後，各模型保留的有效樣本數分別為：Gemini (98 筆)、GPT-5.2 ...