Dados e Análise

Realiza análise de enriquecimento de vias e conjuntos de genes em listas ou dados de genes classificados, interpretando os resultados. É útil quando o usuário possui um conjunto de genes e deseja identificar quais vias biológicas, termos GO ou conjuntos de genes estão super-representados ou enriquecidos, incluindo a análise de super-representação.

Esta skill oferece a estrutura de dados para matrizes anotadas em análise de célula única, ideal para arquivos .h5ad ou integração com o ecossistema scverse. Para fluxos de trabalho de análise, use scanpy; para modelos probabilísticos, scvi-tools; e para consultas em escala populacional, cellxgene-census.

Realize e analise simulações de dinâmica molecular com OpenMM e MDAnalysis, abrangendo a configuração de sistemas proteína/pequenas moléculas, definição de campos de força, minimização de energia, DM de produção e análise de trajetórias (RMSD, RMSF, mapas de contato, superfícies de energia livre). Aplicável em biologia estrutural, ligação de fármacos e biofísica.

Uma biblioteca Python para trabalhar com dados vetoriais geoespaciais, como shapefiles, GeoJSON e arquivos GeoPackage. É utilizada para análise espacial, operações geométricas, transformações de coordenadas e outras tarefas com dados geográficos vetoriais, suportando bancos de dados PostGIS e mapas interativos.

Realiza análise exploratória de dados abrangente em arquivos científicos de mais de 200 formatos. Detecta automaticamente o tipo de arquivo e gera relatórios detalhados em markdown com análises específicas do formato, métricas de qualidade e recomendações para análises futuras, auxiliando na compreensão da estrutura, conteúdo e qualidade dos dados.

Realize consultas rápidas via CLI/Python em mais de 20 bancos de dados de bioinformática para buscas rápidas de informações genéticas, pesquisas BLAST, estruturas AlphaFold e análise de enriquecimento. É ideal para exploração interativa e consultas simples, sendo biopython ou bioservices recomendados para processamento em lote ou fluxos de trabalho avançados.

Hugging Face Transformers para carregar modelos do Hub, executar inferência de pipeline, geração de texto e ajuste fino com Trainer em tarefas de PNL, visão, áudio e multimodais. Use ao trabalhar com AutoModel, pipelines, tokenizers ou TrainingArguments – não para ML geral fora da biblioteca Transformers.

Use esta skill para trabalhar com conjuntos de dados Brain Imaging Data Structure (BIDS), incluindo a organização de dados de neurociência e biomédicos, consulta de layouts, validação de conformidade, conversão de DICOM para BIDS e criação de derivados BIDS.

Esta skill é ideal para tarefas de machine learning com séries temporais, como classificação, regressão, clustering, previsão, detecção de anomalias, segmentação e busca de similaridade. Utilize-a ao trabalhar com dados temporais, padrões sequenciais ou observações indexadas por tempo que exigem algoritmos especializados além das abordagens padrão de ML, especialmente para séries temporais univariadas e multivariadas.

Kit de ferramentas de análise NGS para conversão de BAM para bigWig, controle de qualidade (correlação, PCA, fingerprints) e visualização de dados de ChIP-seq, RNA-seq e ATAC-seq através de heatmaps/perfis (TSS, picos).

PyHealth permite construir pipelines de deep learning para saúde, suportando o carregamento de diversos conjuntos de dados EHR/sinal/imagem, a definição de tarefas como previsão de mortalidade ou recomendação de medicamentos, e o treinamento com vários modelos.

O scVelo realiza análise de velocidade de RNA para estimar transições de estado celular a partir da dinâmica de mRNA não-processado/processado, inferindo direções de trajetória, tempo latente e genes-chave em dados de RNA-seq de célula única, complementando Scanpy/scVI para inferência de trajetória.