Explorar skills

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.

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 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.