Encontrar compostos disponíveis para compra e análogos úteis no ZINC pode exigir uma sintaxe de consulta especializada. Esta skill orienta pesquisas, downloads, filtragem e preparação para docking.

Grandes matrizes científicas podem sobrecarregar a memória e os sistemas de armazenamento. Esta skill oferece orientações sobre divisão em chunks, compactação, armazenamento em nuvem e fluxos de trabalho paralelos com Zarr, NumPy, Dask e Xarray.

Dados de alta dimensionalidade são difíceis de visualizar, agrupar e reutilizar em pipelines de aprendizado de máquina. Esta skill oferece orientações práticas sobre configuração, ajuste, transformação e avaliação do UMAP.

Projetos de aprendizado em grafos exigem escolhas cuidadosas de dados, modelos, amostragem e avaliação. Esta skill fornece orientações, exemplos, modelos, benchmarks e utilitários de visualização para PyTorch Geometric.

Fluxos de trabalho estatísticos frequentemente falham devido à escolha inadequada do modelo, a diagnósticos insuficientes ou à interpretação incorreta. Esta skill fornece orientações estruturadas sobre statsmodels para inferências e previsões confiáveis.

A escolha e o relato de testes estatísticos podem ser inconsistentes e sujeitos a erros. Esta habilidade orienta o planejamento da análise, diagnósticos, tamanhos de efeito, poder estatístico, interpretação e relatos no estilo APA.

Filas complexas e recursos compartilhados são difíceis de avaliar antes da implantação. Esta skill orienta a criação de modelos, o monitoramento, a sincronização e a análise de resultados no SimPy.

Equipes de machine learning precisam de razões claras por trás das previsões dos modelos. Esta skill orienta a escolha de explicadores SHAP, gráficos, depuração, verificações de equidade e fluxos de trabalho de explicação em produção.

Sistemas de ML para produção são difíceis de projetar, implantar e monitorar de forma consistente. Esta skill orienta MLOps, integração de LLM, arquitetura RAG e scaffolds de fluxos de trabalho locais.

As escolhas de gráficos estatísticos podem atrasar a análise de dados e a produção de figuras. Esta skill orienta a seleção de gráficos Seaborn, parâmetros, estilos e exemplos para visualizações Python claras.

A análise ômica de célula única exige escolha cuidadosa do modelo, pré-processamento e interpretação. Esta skill orienta fluxos de trabalho com scvi-tools para integração, expressão diferencial, anotação e análise espacial.

A modelagem de sobrevivência exige métodos que lidem com dados censurados de tempo até evento. Esta skill orienta fluxos de trabalho com scikit-survival desde a preparação dos dados até a avaliação do modelo.

Projetos de aprendizado de máquina precisam de padrões consistentes de pré-processamento, avaliação e seleção de modelos. Esta skill oferece a Claude, Codex e Claude Code orientação focada em scikit-learn, com referências e exemplos.

O trabalho de bioinformática frequentemente precisa de fluxos de trabalho corretos para sequências, árvores, diversidade e ordenação. Esta skill orienta Claude, Codex e Claude Code pelas APIs do scikit-bio.

Figuras científicas frequentemente não passam nas verificações dos periódicos quanto a tamanho, resolução, cores e rótulos. Esta skill orienta Claude, Codex e Claude Code na criação de figuras acessíveis e prontas para publicação.

Fluxos de trabalho de RNA-seq de célula única exigem QC, normalização, agrupamento e documentação cuidadosos. Esta skill fornece fluxos de trabalho, scripts, modelos e referências do Scanpy para análises reproduzíveis.

A análise genômica frequentemente falha quando formatos de arquivo, índices e sistemas de coordenadas são tratados de forma inconsistente. Esta skill oferece a Claude, Codex e Claude Code orientação focada em pysam para fluxos de trabalho de alinhamento, variantes, sequências e cobertura.

Equipes de descoberta de fármacos precisam de conjuntos de dados consistentes e benchmarks justos. Esta skill orienta fluxos de trabalho do PyTDC para carregar dados, dividir conjuntos de dados, avaliar modelos e usar oráculos moleculares.

Projetos de otimização muitas vezes precisam de seleção de algoritmos repetível, restrições e análise da fronteira de Pareto. Esta skill orienta fluxos de trabalho com pymoo usando exemplos, referências e padrões de solução de problemas.

Fluxos de trabalho de espectrometria de massas exigem muitos objetos OpenMS, formatos de arquivo e algoritmos. Esta habilidade fornece a Claude, Codex e Claude Code orientação prática sobre pyOpenMS para análise proteômica e metabolômica.