K-Dense-AI

Marco de optimización multiobjetivo con NSGA-II, NSGA-III, MOEA/D, frentes de Pareto y manejo de restricciones. Ideal para problemas de diseño y optimización en ingeniería, utilizando benchmarks como ZDT y DTLZ.

Gestión integral de citas para investigación académica, permitiendo buscar artículos en Google Scholar y PubMed, extraer metadatos, validar citas y generar entradas BibTeX. Use esta habilidad para encontrar artículos, verificar citas, convertir DOIs o asegurar la precisión de las referencias en la redacción científica.

Genera documentos profesionales de soporte a la decisión clínica (CDS) para investigación farmacéutica y clínica, incluyendo análisis de cohortes de pacientes (estratificadas por biomarcadores con resultados) e informes de recomendación de tratamiento (guías basadas en evidencia con algoritmos de decisión). Soporta la clasificación de evidencia GRADE, análisis estadístico e integración de biomarcadores.

Integración de API para cuadernos de laboratorio electrónicos. Acceda a cuadernos, gestione entradas/archivos adjuntos, realice copias de seguridad e integre con Protocols.io/Jupyter/REDCap para flujos de trabajo programáticos de ELN.

Framework de computación cuántica de Google. Ideal para hardware Google Quantum AI, diseño de circuitos conscientes del ruido y experimentos de caracterización cuántica, centrándose en el modelado de ruido y el diseño de circuitos de bajo nivel.

Analiza archivos FCS (Flow Cytometry Standard) v2.0-3.1. Extrae eventos como arrays NumPy, lee metadatos/canales y convierte a CSV/DataFrame para el preprocesamiento de datos de citometría de flujo.

Filtros de química medicinal para la clasificación de compuestos. Aplica reglas de 'drug-likeness' (Lipinski, Veber, CNS), catálogos de alertas estructurales (PAINS, NIBR, ChEMBL), métricas de complejidad y el lenguaje de consulta de química medicinal para el filtrado de bibliotecas.

Esta habilidad proporciona una revisión estructurada de manuscritos y subvenciones con evaluación basada en listas de verificación, ideal para revisiones formales por pares que evalúan metodología, validez estadística y cumplimiento de estándares de informes, ofreciendo retroalimentación constructiva.

Formula hipótesis estructuradas y comprobables a partir de observaciones o datos experimentales, incluyendo predicciones, mecanismos propuestos y diseños experimentales, siguiendo el método científico.

Infiere redes reguladoras génicas (GRNs) a partir de datos de expresión génica utilizando algoritmos escalables (GRNBoost2, GENIE3). Es útil para analizar datos transcriptómicos (RNA-seq masivo, de célula única) e identificar relaciones entre factores de transcripción y genes diana, soportando computación distribuida para grandes conjuntos de datos.

Un completo kit de herramientas de Python para crear, analizar y visualizar redes y grafos complejos. Es ideal para trabajar con datos de red, analizar relaciones, calcular algoritmos de grafos, detectar comunidades y visualizar topologías de red, aplicable a campos como redes sociales y biológicas.

Realiza un análisis exploratorio de datos exhaustivo en archivos científicos de más de 200 formatos. Detecta automáticamente el tipo de archivo y genera informes detallados en markdown con análisis específicos del formato, métricas de calidad y recomendaciones para análisis posteriores, ayudando a comprender la estructura, el contenido y la calidad de los datos.

Convierte archivos y documentos de oficina a Markdown. Soporta PDF, DOCX, PPTX, XLSX, imágenes (con OCR), audio (con transcripción), HTML, CSV, JSON, XML, ZIP, URLs de YouTube, EPubs y más.

Kit de herramientas de análisis NGS para conversión de BAM a bigWig, control de calidad (correlación, PCA, huellas dactilares) y visualización de datos de ChIP-seq, RNA-seq y ATAC-seq mediante mapas de calor/perfiles (TSS, picos).

Realiza revisiones bibliográficas sistemáticas y exhaustivas en múltiples bases de datos académicas (PubMed, arXiv, bioRxiv, Semantic Scholar, etc.). Es ideal para meta-análisis y síntesis de investigación en dominios biomédicos, científicos y técnicos, generando documentos profesionales en Markdown y PDF.

MATLAB y GNU Octave para computación numérica, incluyendo operaciones de matrices, análisis de datos, visualización y computación científica. Úselo para scripts de álgebra lineal, procesamiento de señales/imágenes, ecuaciones diferenciales, optimización, estadística o visualizaciones científicas, así como para ayuda con la sintaxis, funciones o conversiones de MATLAB.

PyTorch Geometric (PyG) es para redes neuronales gráficas, cubriendo clasificación de nodos/enlaces/grafos, paso de mensajes (GCN, GAT, GraphSAGE, GIN), grafos heterogéneos, muestreo de vecinos y datasets personalizados. Úselo con torch_geometric, no para análisis generales con NetworkX o modelos PyTorch no gráficos.

Una alternativa autoalojada y de código abierto a Google NotebookLM para investigación y análisis de documentos impulsados por IA. Ayuda a organizar materiales de investigación, ingerir diversas fuentes de contenido, generar notas y resúmenes con IA, crear podcasts y chatear con documentos.

Análisis de expresión génica diferencial (Python DESeq2). Identifica genes DE a partir de recuentos de RNA-seq bulk, aplicando pruebas de Wald, corrección FDR y generando gráficos de volcán/MA para el análisis de RNA-seq.

Un framework de automatización de laboratorio independiente del proveedor, diseñado para controlar múltiples tipos de equipos (Hamilton, Tecan, Opentrons) y unificar la programación entre diferentes fabricantes. Es ideal para flujos de trabajo complejos, configuraciones de múltiples proveedores y simulación, aunque para protocolos solo de Opentrons con la API oficial, la integración de Opentrons podría ser más sencilla.

Consulte programáticamente el CELLxGENE Census (más de 61 millones de células) para obtener datos de expresión en tejidos, enfermedades o tipos de células del atlas de célula única curado más grande. Es ideal para consultas a escala poblacional y comparaciones de atlas de referencia.

Computación distribuida para flujos de trabajo pandas/NumPy que exceden la RAM, escalando código existente más allá de la memoria o a través de clusters. Ideal para procesamiento paralelo de archivos, ML distribuido e integración con pandas.

Analiza y diseña la glicosilación de proteínas. Escanea secuencias para secuencias de N-glicosilación (N-X-S/T), predice puntos calientes de O-glicosilación y accede a herramientas de glicoingeniería curadas (NetOGlyc, GlycoShield, GlycoWorkbench) para ingeniería de glicoproteínas, optimización de anticuerpos terapéuticos y diseño de vacunas.

Consulte y descargue datos públicos de imágenes de cáncer del NCI Imaging Data Commons usando idc-index. Acceda a grandes conjuntos de datos de radiología (TC, RM, PET) y patología para entrenamiento de IA o investigación sin autenticación, consultando por metadatos, visualizando en el navegador y verificando licencias.

ML molecular para la predicción de propiedades (ADMET, toxicidad) utilizando diversos featurizers y conjuntos de datos preconstruidos, compatible con ML tradicional o GNNs. Es excelente para experimentos rápidos con modelos preentrenados y featurización extensiva, a menudo aprovechando los benchmarks de MoleculeNet.

Hugging Science es un catálogo curado de conjuntos de datos científicos, modelos, publicaciones de blog y Spaces interactivos, diseñado para usuarios que realizan trabajos de IA/ML en diversos dominios científicos como biología, química y física.

Visualización estadística con integración de pandas para la exploración rápida de distribuciones, relaciones y comparaciones categóricas. Es ideal para diagramas de caja, violín, pares y mapas de calor, construido sobre matplotlib.

Consulte la API REST U.S. Treasury Fiscal Data para obtener datos financieros federales, sin necesidad de clave de API. Acceda a la deuda nacional, estados de cuenta del Tesoro, subastas de valores, tasas de interés y cambio, bonos de ahorro o estadísticas de ingresos y gastos del gobierno de EE. UU.

El modelado metabólico basado en restricciones (COBRA) cubre FBA, FVA, knockouts genéticos, muestreo de flujo y modelos SBML para el análisis en biología de sistemas e ingeniería metabólica.

Los modelos generativos profundos para ómicas de célula única son ideales para modelado avanzado, efectos de lote y datos multimodales, ofreciendo corrección probabilística de lotes (scVI), aprendizaje por transferencia, expresión diferencial con incertidumbre e integración multimodal (TOTALVI, MultiVI). Para pipelines de análisis estándar, use scanpy.

Construya y analice árboles filogenéticos usando MAFFT, IQ-TREE 2 y FastTree. Visualícelos con ETE3 o FigTree para aplicaciones en análisis evolutivo, genómica microbiana y estudios de reloj molecular.

Realice pronósticos de series temporales zero-shot con el modelo fundacional TimesFM de Google. Maneja cualquier serie temporal univariada (ventas, sensores, energía, signos vitales, clima) sin entrenamiento de modelo personalizado, soportando entradas CSV/DataFrame/array para pronósticos puntuales e intervalos de predicción, e incluye un verificador de sistema previo.

Un framework de ML cuántico agnóstico de hardware con diferenciación automática, ideal para entrenar circuitos cuánticos mediante gradientes, construir modelos cuántico-clásicos híbridos y asegurar la portabilidad entre las principales plataformas cuánticas. Es mejor para algoritmos variacionales, redes neuronales cuánticas e integración con PyTorch/JAX/TensorFlow.

Consultar el Grafo de Conocimiento de Medicina de Precisión (PrimeKG) para obtener datos biológicos multiescala, incluyendo genes, fármacos, enfermedades, fenotipos y más.

Esta habilidad evalúa afirmaciones científicas y la calidad de la evidencia, siendo útil para analizar el diseño experimental, identificar sesgos y aplicar marcos de clasificación de evidencia. Es ideal para comprender la calidad de la evidencia e identificar fallas, pero no para la redacción formal de revisiones por pares.

Cree infografías profesionales con Nano Banana Pro AI, que ofrece refinamiento iterativo inteligente y Gemini 3 Pro para revisión de calidad. Integra búsqueda e investigación web para datos precisos, soportando 10 tipos de infografías, 8 estilos de industria y paletas seguras para daltónicos.

Esta skill ofrece algoritmos de aprendizaje por refuerzo listos para producción (PPO, SAC, DQN, TD3, DDPG, A2C) con una API similar a scikit-learn, adecuada para experimentos estándar de RL y prototipado rápido con entornos Gymnasium. Para entrenamiento paralelo de alto rendimiento o sistemas multiagente, se recomienda pufferlib.

Extrae patrones cognitivos y huellas dactilares de pensamiento de cualquier texto. Usa esta habilidad para analizar cómo piensa alguien, comprender el estilo cognitivo, perfilar patrones de escritura o habla, o comparar estilos de pensamiento entre personas.

Modal es una plataforma en la nube sin servidor para ejecutar Python bajo demanda, incluyendo GPUs. Es ideal para desplegar modelos de IA/ML, ejecutar cargas de trabajo aceleradas por GPU, servir endpoints web y escalar código Python a contenedores en la nube con el SDK de Modal.

Kit de herramientas para ciencia de materiales computacional, que incluye estructuras cristalinas (CIF, POSCAR), diagramas de fase, estructura de bandas, DOS, integración con Materials Project y conversión de formatos.

Un kit de herramientas completo para preparar la documentación de certificación ISO 13485 para Sistemas de Gestión de Calidad de dispositivos médicos, asistiendo en el análisis de brechas, la creación de Manuales de Calidad, el desarrollo de procedimientos, la preparación de Expedientes de Dispositivos Médicos y la comprensión de los requisitos.

Un framework de Python para simulaciones de dinámica de fluidos computacional, compatible con ecuaciones de Navier-Stokes (2D/3D), aguas poco profundas y flujos estratificados, así como análisis de turbulencia y dinámica de vórtices. Ofrece métodos pseudoespectrales con FFT, soporte HPC y análisis de salida completo.

PyHealth facilita la construcción de pipelines de deep learning para el cuidado de la salud, apoyando la carga de diversos conjuntos de dados EHR/señal/imagen, la definición de tareas como predicción de mortalidad o recomendación de medicamentos, y el entrenamiento con varios modelos.

Utiliza PyTorch Lightning para organizar código PyTorch en LightningModules, configurar Trainers para multi-GPU/TPU, e implementar pipelines de datos, callbacks, logging y entrenamiento distribuido para un entrenamiento escalable de redes neuronales.

Pipeline estándar de análisis de RNA-seq de célula única para control de calidad, normalización, reducción de dimensionalidad (PCA/UMAP/t-SNE), agrupamiento, expresión diferencial y visualización. Es ideal para análisis exploratorio de scRNA-seq con flujos de trabajo establecidos.

Busque en 78 bases de datos públicas científicas, biomédicas, de ciencia de materiales y económicas a través de APIs REST, cubriendo campos como física, química, biología y materiales.

Zarr-Python 3 proporciona arrays N-D en trozos para almacenamiento en la nube, con arrays comprimidos, E/S paralela, compatibilidad con S3/GCS a través de fsspec e integración con NumPy/Dask/Xarray para pipelines de computación científica a gran escala.

Este framework de aprendizaje por refuerzo de alto rendimiento está optimizado para velocidad y escala, ideal para entrenamiento paralelo rápido, entornos vectorizados, sistemas multiagente o integración con entornos de juegos (ej: Atari, NetHack), logrando aceleraciones de 2 a 10 veces sobre implementaciones estándar. Para prototipado rápido o implementaciones de algoritmos estándar con documentación extensa, use stable-baselines3.