Explorar skills

Una biblioteca Python para trabajar con datos vectoriales geoespaciales, como shapefiles, GeoJSON y archivos GeoPackage. Se utiliza para análisis espacial, operaciones geométricas, transformaciones de coordenadas y otras tareas con datos geográficos vectoriales, compatible con bases de datos PostGIS y mapas interactivos.

Biblioteca de trazado de bajo nivel para personalización completa, ofreciendo control detallado sobre cada elemento del gráfico. Es ideal para crear nuevos tipos de trazados o integrarse con flujos de trabajo científicos específicos, con exportación a PNG/PDF/SVG para publicación.

Un completo kit de herramientas para el procesamiento de bioseñales, analizando datos fisiológicos como ECG, EEG, EDA, RSP, PPG, EMG y EOG. Utilice esta habilidad para procesar señales cardiovasculares, actividad cerebral, respuestas electrodérmicas, patrones respiratorios, actividad muscular o movimientos oculares.

Realice y analice simulaciones de dinámica molecular utilizando OpenMM y MDAnalysis, incluyendo la configuración de sistemas proteína/moléculas pequeñas, definición de campos de fuerza, minimización de energía, DM de producción y análisis de trayectorias (RMSD, RMSF, mapas de contacto, superficies de energía libre). Aplicable en biología estructural, unión de fármacos y biofísica.

Realiza análisis de enriquecimiento de vías y conjuntos de genes en listas o datos de genes clasificados, interpretando los resultados. Se utiliza cuando el usuario tiene un conjunto de genes y desea identificar qué vías biológicas, términos GO o conjuntos de genes están sobrerrepresentados o enriquecidos, incluyendo el análisis de sobrerrepresentación.

Plataforma completa de análisis de espectrometría de masas para flujos de trabajo de proteómica, incluyendo detección de características, identificación de péptidos y cuantificación de proteínas. Soporta amplios formatos de archivo y algoritmos, siendo ideal para el procesamiento integral de datos de MS; para comparación espectral simple, use matchms.

Consulte el Cancer Dependency Map (DepMap) para obtener puntuaciones de dependencia genética de líneas celulares de cáncer (CRISPR Chronos), datos de sensibilidad a fármacos y perfiles de efecto genético.

Generación y prueba automatizada de hipótesis impulsada por LLMs en conjuntos de datos tabulares. Úselo para explorar sistemáticamente patrones en datos empíricos, combinando conocimientos de la literatura con pruebas de hipótesis basadas en datos.

Redes neuronales gráficas nativas de PyTorch para moléculas y proteínas, adecuadas para arquitecturas GNN personalizadas en descubrimiento de fármacos, modelado de proteínas o razonamiento de grafos de conocimiento. Es ideal para el desarrollo de modelos personalizados, predicción de propiedades de proteínas y retrosíntesis; para modelos preentrenados y featurizers diversos, use deepchem, y para conjuntos de datos de referencia, use pytdc.

Esta skill es para trabajar con LaminDB, un framework de datos de código abierto para biología que hace que los datos sean consultables, rastreables, reproducibles y FAIR. Úsela para gestionar conjuntos de datos biológicos, rastrear flujos de trabajo, curar datos con ontologías, construir lakehouses o asegurar la trazabilidad y reproducibilidad de los datos.

Facilite una deliberación del Consejo Mental con múltiples perspectivas para cualquier pregunta, decisión o desafío creativo, ofreciendo diversos puntos de vista y ayudando en la resolución de problemas complejos.

Un kit de herramientas de datos biológicos para análisis de microbioma, que incluye análisis de secuencias, alineamientos, árboles filogenéticos, métricas de diversidad (alfa/beta, UniFrac), ordenación (PCoA), PERMANOVA y E/S FASTA/Newick.