Dieses Skill bietet eine umfassende Analyse von Neuropixels-Hochdichte-Neuroaufnahmen. Es verarbeitet den gesamten Workflow vom Laden der Rohdaten bis zu publikationsbereiten kuratierten Einheiten unter Verwendung von SpikeInterface und Kilosort4-Algorithmen.

Die Arbeit mit Graph- und Netzwerkdaten erfordert spezialisierte Tools zum Erstellen von Strukturen, Berechnen von Algorithmen und Generieren von Visualisierungen. Diese Fähigkeit bietet umfassenden Zugang zu NetworkX-Funktionalitäten für die Analyse sozialer Netzwerke, die Kartierung biologischer Pfade, Transportoptimierung und Beziehungsmodellierung.

Die Arzneimittelentwicklung erfordert das Filtern großer Verbindungsbibliotheken nach arzneimittelähnlichen Eigenschaften. Diese Fähigkeit wendet etablierte medizinisch-chemische Regeln an, einschließlich Rule of Five, Veber und PAINS-Filter, um Verbindungen zu priorisieren und strukturelle Warnmeldungen effizient zu identifizieren.

Modal ist eine serverlose Plattform zum Ausfuehren von Python-Code in der Cloud. Sie bietet sofortigen Zugriff auf GPUs, automatische Skalierung und nutzungsbasierte Abrechnung. Stellen Sie ML-Modelle bereit, fuehren Sie Batch-Verarbeitungsjobs aus und bedienen Sie APIs, ohne Infrastruktur zu verwalten.

Matplotlib bietet vollständige Kontrolle über jedes visuelle Element zum Erstellen von publikationsreifen Abbildungen. Beherrschen Sie sowohl die pyplot- als auch die objektorientierte Schnittstelle, um jeden Diagrammtyp zu erstellen - von einfachen Liniendiagrammen bis hin zu komplexen wissenschaftlichen Visualisierungen mit mehreren Panels.

Wissenschaftler und Ingenieure haben oft Schwierigkeiten mit der MATLAB-Syntax und Best Practices. Dieser Skill bietet eine umfassende Referenzdokumentation für Matrixoperationen, Visualisierung und numerische Analyse.

Produktionsreife Bioinformatik-Workflows bereitstellen, ohne Infrastruktur zu verwalten. Erstellen Sie serverlose Pipelines mit Python-Dekoratoren mit automatischer Containerisierung, GPU-Unterstützung und integriertem Cloud-Speicher.

Biologische Forschung erzeugt komplexe Datensätze, die schwer zu verfolgen, abzufragen und zu reproduzieren sind. LaminDB bietet ein einheitliches Framework für die Verwaltung biologischer Daten mit automatischer Herkunftsverfolgung, ontologiebasierter Annotation und nahtloser Integration mit Workflow-Managern.

Dieser Skill bietet Zugang zur Human Metabolome Database mit über 220.000 Metabolit-Einträgen. Forscher können nach chemischem Namen, Struktur oder ID suchen, um Eigenschaften, Spektren und Biomarker-Daten für Metabolomik-Studien abzurufen.

Histolab automatisiert die Gewebeerfassung und Kachelextraktion aus Gigapixel-Objektträger-Bildern. Es verarbeitet WSI-Dateien, um informative Kacheln für Deep-Learning-Pipelines und medizinische Forschung zu extrahieren.

Zugriff auf umfassende genomweite Assoziationsstudien-Daten aus dem NHGRI-EBI GWAS-Katalog. Suchen Sie Varianten nach rs-ID, Trait oder Gen, um P-Werte, Effektgrößen und Zusammenfassungsstatistiken für genetische Forschung abzurufen.

Verarbeiten und analysieren von genomischen Intervalldaten für die Bioinformatik-Forschung. Gtars bietet Hochleistungswerkzeuge für die Überlappungserkennung, Coverage-Analyse und ML-Tokenisierung von genomischen Sequenzen.

gget bietet einen einheitlichen Zugriff auf über 20 genomische Datenbanken über eine einfache CLI- oder Python-Schnittstelle. Geninformationen abfragen, Sequenzen abrufen, BLAST-Suchen durchführen und Anreicherungsanalysen ausführen, ohne mehrere API-Verbindungen zu verwalten.

Wissenschaftliche Rechenaufgaben benötigen Hardwareinformationen, um optimale Rechenstrategien auszuwählen. Diese Fähigkeit erkennt automatisch CPU-Kerne, GPU-Verfügbarkeit, Arbeitsspeicher und Speicherplatz und erstellt anschließend Empfehlungen für Parallelverarbeitung und GPU-Beschleunigung.

GeoPandas erweitert pandas für georäumliche Operationen. Es ermöglicht das Lesen von Shapefiles, GeoJSON und PostGIS-Daten. Führen Sie räumliche Joins, Pufferanalysen, Koordinatentransformationen durch und erstellen Sie Choroplethenkarten mit matplotlib-Integration.

Durchflusszytometrie-Daten erfordern eine spezialisierte Dateiverarbeitung. FlowIO parst FCS-Dateien, extrahiert Ereignisdaten als NumPy-Arrays und ermöglicht die Konvertierung in CSV-Formate für nachgelagerte Analyse-Pipelines.

Greifen Sie auf umfassende FDA-Regulierungsdaten zu, einschließlich unerwünschter Arzneimittelwirkungen, Rückrufe von Medizinprodukten und Sicherheitsinformationen über die offizielle openFDA-API. Erstellen Sie Pharmakovigilanz- und Regulierungsforschungs-Workflows mit Python.

Wissenschaftliche Datendateien gibt es in Hunderten von Formaten. Diese Skill erkennt automatisch den Dateityp, extrahiert Metadaten, bewertet die Datenqualität und generiert umfassende Markdown-Berichte mit formatspezifischen Analyseempfehlungen.

DrugBank ist eine umfassende Bioinformatik-Datenbank mit detaillierten Arzneimittelinformationen. Diese Fähigkeit ermöglicht programmatischen Zugang zu Arzneimitteleigenschaften, Interaktionen, Zielen, Wegen und chemischen Strukturen für Pharmakologieforschung und Arzneimittelentdeckung.

Next-Generation-Sequencing-Daten verarbeiten und visualisieren. BAM in bigWig konvertieren, Qualitätskontrolldiagramme erstellen und publikationsreife Heatmaps für ChIP-seq-, RNA-seq- und ATAC-seq-Experimente generieren.