Explorar skills

Chatea con tu agente sobre proyectos, recomendaciones y artículos canónicos en Paperzilla. Úsalo cuando los usuarios soliciten recomendaciones de proyectos recientes, detalles de artículos canónicos, resúmenes basados en Markdown, comentarios sobre recomendaciones, exportación de feeds o URLs de feeds Atom.

Kit de herramientas de alto rendimiento para el análisis de intervalos genómicos en Rust con bindings de Python. Se utiliza para trabajar con regiones genómicas, archivos BED, pistas de cobertura, detección de superposiciones, tokenización para modelos de ML o análisis de fragmentos en genómica computacional y aprendizaje automático.

Acelere código Python con GPU utilizando CuPy, Numba CUDA, Warp, cuDF, cuML, cuGraph, KvikIO, cuCIM, cuxfilter, cuVS, cuSpatial y RAFT. Ideal para acelerar cargas de trabajo de NumPy, pandas, scikit-learn, scikit-image, NetworkX, GeoPandas o Faiss, cubriendo simulación física, renderizado diferenciable y sistemas de partículas.

Esta herramienta realiza análisis de similitud espectral e identificación de compuestos para metabolómica, comparando espectros de masas, calculando puntuaciones de similitud e identificando compuestos desconocidos de bibliotecas espectrales. Es ideal para la identificación de metabolitos, la coincidencia espectral y la búsqueda en bibliotecas.

Una biblioteca rápida de DataFrame en memoria para conjuntos de datos que caben en la RAM, ideal cuando pandas es demasiado lento. Cuenta con evaluación perezosa, ejecución paralela y un backend Apache Arrow, siendo adecuada para conjuntos de datos de 1-100GB y pipelines ETL.

Esta skill demuestra el uso de la API Adaptyv Bio Foundry y el SDK de Python para el diseño, envío y recuperación de resultados de experimentos de proteínas, incluyendo ensayos de unión, cribado, BLI/SPR y termoestabilidad, y se activa por palabras clave relevantes o importaciones de código.

Una meta-habilidad para crear figuras listas para publicación, incluyendo diseños de múltiples paneles, anotaciones de significancia, barras de error, paletas seguras para daltónicos y formato específico de revistas (ej: Nature, Science, Cell). Orquesta matplotlib/seaborn/plotly con estilos de publicación, pero para exploración rápida, use seaborn o plotly directamente.

scVelo realiza análisis de velocidad de ARN para estimar transiciones de estado celular a partir de la dinámica de ARNm no empalmado/empalmado, infiriendo direcciones de trayectoria, tiempo latente y genes impulsores en datos de ARN-seq de una sola célula, complementando Scanpy/scVI para la inferencia de trayectorias.

Esta habilidad procesa y analiza grandes conjuntos de datos tabulares (miles de millones de filas) que exceden la RAM disponible, destacando en operaciones de DataFrame out-of-core, agregaciones rápidas y visualización eficiente. Es ideal para trabajar con archivos CSV/HDF5/Arrow/Parquet masivos y realizar estadísticas rápidas en grandes volúmenes de datos.

Úselo cuando necesite matemáticas simbólicas exactas en Python — álgebra, cálculo, resolución de ecuaciones, álgebra lineal simbólica o generación de código a través de lambdify/LaTeX. Prefiera NumPy o SciPy cuando las aproximaciones de punto flotante sean suficientes.

Un kit de herramientas completo para el análisis de supervivencia y el modelado de tiempo hasta el evento en Python utilizando scikit-survival. Use esta habilidad para trabajar con datos de supervivencia censurados, realizar análisis de tiempo hasta el evento, ajustar modelos de Cox, Random Survival Forests, Gradient Boosting o Survival SVMs, evaluar predicciones de supervivencia con el índice de concordancia o la puntuación de Brier, y manejar riesgos competitivos.

Cree diagramas científicos de calidad para publicación con Nano Banana 2 AI y refinamiento iterativo inteligente. Utiliza Gemini 3.1 Pro Preview para asegurar la calidad, regenerando solo si es necesario, y se especializa en arquitecturas de redes neuronales, diagramas de sistemas, flujogramas y visualizaciones científicas complejas.