Les files d’attente complexes et les ressources partagées sont difficiles à évaluer avant le déploiement. Cette compétence fournit des conseils sur les modèles SimPy, la surveillance, la synchronisation et l’analyse des résultats.

Les équipes de machine learning ont besoin de raisons claires derrière les prédictions des modèles. Cette compétence guide le choix de l'explainer SHAP, les graphiques, le débogage, les vérifications d'équité et les flux de travail d'explication en production.

Les systèmes ML de production sont difficiles à concevoir, déployer et surveiller de manière cohérente. Cette compétence couvre le MLOps, l'intégration de LLM, l'architecture RAG et les structures de workflows locaux.

Le choix des graphiques statistiques peut ralentir l’analyse des données et la production de figures. Cette compétence guide la sélection de graphiques Seaborn, les paramètres, le style et les exemples pour des visualisations Python claires.

L’analyse omique unicellulaire exige un choix de modèle, un prétraitement et une interprétation rigoureux. Cette compétence guide les workflows scvi-tools pour l’intégration, l’expression différentielle, l’annotation et l’analyse spatiale.

La modélisation de la survie nécessite des méthodes qui gèrent les données censurées de temps jusqu’à événement. Cette compétence guide les workflows scikit-survival, de la préparation des données à l’évaluation des modèles.

Les projets de machine learning ont besoin de schémas cohérents pour le prétraitement, l’évaluation et la sélection de modèles. Cette skill fournit à Claude, Codex et Claude Code des conseils ciblés sur scikit-learn, avec des références et des exemples.

Les travaux de bioinformatique nécessitent souvent des workflows corrects pour les séquences, les arbres, la diversité et l’ordination. Cette compétence guide Claude, Codex et Claude Code dans les API scikit-bio.

Les figures scientifiques échouent souvent aux contrôles des revues en matière de dimensions, de résolution, de couleurs et de libellés. Cette compétence aide Claude, Codex et Claude Code à créer des figures accessibles et prêtes à être publiées.

Les workflows de RNA-seq unicellulaire nécessitent un contrôle qualité, une normalisation, un clustering et une documentation rigoureux. Cette compétence fournit des workflows Scanpy, des scripts, des modèles et des références pour une analyse reproductible.

L’analyse génomique échoue souvent lorsque les formats de fichiers, les index et les systèmes de coordonnées sont gérés de manière incohérente. Cette compétence fournit à Claude, Codex et Claude Code des conseils ciblés sur pysam pour les workflows d’alignement, de variants, de séquences et de couverture.

Les projets d’optimisation nécessitent souvent une sélection d’algorithmes répétable, des contraintes et une analyse du front de Pareto. Cette compétence guide les workflows pymoo avec des exemples, des références et des modèles de dépannage.

Les flux de travail de spectrométrie de masse nécessitent de nombreux objets OpenMS, formats de fichiers et algorithmes. Cette compétence fournit à Claude, Codex et Claude Code des conseils pratiques sur pyOpenMS pour l’analyse protéomique et métabolomique.

La modélisation bayésienne exige des priors soigneusement définis, des diagnostics et des vérifications de modèle. Cette skill guide les workflows PyMC, de la configuration du modèle à la validation et à la comparaison postérieures.

Les projets d’apprentissage automatique clinique nécessitent une gestion rigoureuse des jeux de données, des systèmes de codage, des tâches, des modèles et de la validation. Cette compétence organise les recommandations PyHealth afin que Claude, Codex et Claude Code puissent aider à concevoir des workflows d’IA en santé reproductibles.

Les équipes data ont besoin de conseils rapides lorsqu’elles créent des pipelines Polars et migrent depuis pandas. Cette compétence fournit des modèles concis pour les expressions, les requêtes lazy, les E/S, les jointures et l’optimisation des performances.

Les développeurs ont souvent besoin d’exemples Plotly fiables pour de nombreux types de graphiques. Cette compétence fournit des conseils Python concis pour les graphiques, le style, l’interactivité, les exports et l’intégration Dash.

Les travaux en biologie structurale nécessitent des identifiants de structure, des métadonnées et des fichiers de coordonnées exacts. Cette compétence guide Claude, Codex et Claude Code dans les workflows de recherche et de récupération RCSB PDB.

Les équipes de découverte de médicaments ont besoin de méthodes fiables pour établir des liens entre les gènes, les maladies, les données probantes et les médicaments connus. Cette skill guide Claude, Codex et Claude Code dans l’interrogation d’Open Targets et l’interprétation des données probantes.

Les équipes de microscopie ont besoin de modèles fiables pour accéder aux données OMERO sans recréer des exemples à partir de zéro. Cette skill fournit des workflows Python pratiques pour les images, les métadonnées, les ROI, les tables et le traitement par lots.