使用全面的质谱工具处理蛋白质组学和代谢组学数据。此技能提供对OpenMS算法的访问，用于文件格式处理、光谱处理、特征检测和肽鉴定工作流程。

多目标优化是在多个相互冲突的目标需要同时满足时，寻找权衡解的过程。本技能提供对 pymoo 算法的全面访问，包括 NSGA-II、NSGA-III 和 MOEA/D，用于寻找帕累托最优解并可视化权衡前沿。

使用 PyMC 构建、拟合和验证贝叶斯模型。创建分层模型，运行 MCMC 采样，并使用 LOO 和 WAIC 指标比较模型。

医疗研究人员和数据科学家难以处理复杂的临床数据格式和编码系统。PyHealth提供了一个统一的工具包，用于加载医疗数据集、处理EHR数据、训练预测模型以及处理标准医疗编码。

处理 CT、MRI、X 光和超声等 DICOM 医学图像。读取、写入、匿名化、转换和提取医疗影像文件中的元数据。

PyDESeq2 可对批量 RNA-seq 计数数据进行差异基因表达分析。执行统计检验、多重比较校正，并生成可用于发表的火山图和 MA 图，助力基因组学研究。

训练强化学习智能体需要高性能并行环境和高效的算法。PufferLib提供优化的PPO+LSTM训练，通过向量化、共享内存缓冲区和多智能体支持实现2-10倍加速。

使用高性能 DataFrame 库 Polars 在内存中处理大型数据集。其特点是惰性求值、并行执行以及 Apache Arrow 后端，比 pandas 快 10 倍。

数据可视化通常需要复杂的代码且缺乏交互式探索功能。本技能提供使用 Plotly 创建交互式、出版级图表的全面指导,具有悬停提示、缩放、平移功能,支持 40 多种图表类型,适用于仪表板和数据分析。

利用Open Targets Platform数据查找治疗靶点和药物候选物。获取遗传证据、可成药性评估、安全数据和已知药物的靶点-疾病关联信息。

此技能提供对 OMERO 的 Python API 访问，OMERO 是一个用于显微镜和高内涵筛选的科学图像管理平台。连接到 OMERO 服务器、检索图像、分析像素数据并以编程方式管理注释。

此技能提供对Neuropixels高密度神经记录的全面分析。它处理从原始数据加载到使用SpikeInterface和Kilosort4算法生成可供发表的高质量神经单元的完整工作流程。

处理图和网络数据需要专门的工具来创建结构、计算算法和生成可视化。该技能提供对 NetworkX 功能的全面访问，适用于社交网络分析、生物通路映射、关系建模和优化。

Modal 是一个用于在云端运行 Python 代码的无服务器平台。它提供即时访问 GPU、自动扩展和按使用量计费。部署机器学习模型、运行批量处理任务以及提供 API 服务，无需管理基础设施。

药物发现需要从大型化合物库中筛选具有类药性特性的化合物。本技能应用成熟的药物化学规则，包括五规则、Veber规则和PAINS滤波器，有效筛选化合物并识别结构警示。

Matplotlib 可以完全控制每个视觉元素，用于创建出版物质量的图形。掌握 pyplot 和面向对象的接口，从简单的线图到复杂的多面板科学可视化，构建任何类型的图表。

科学家和工程师经常在使用MATLAB语法和最佳实践方面遇到困难。本技能提供全面的参考文档，涵盖矩阵运算、可视化和数值分析。

部署生产级生物信息学工作流，无需管理基础设施。使用 Python 装饰器创建无服务器管道，支持自动容器化、GPU 加速和集成云存储。

生物研究产生复杂的数据集，这些数据集难以追踪、查询和复现。LaminDB提供了一个统一的框架来管理生物数据，具有自动沿袭追踪、基于本体的注释以及与工作流管理器的无缝集成。

该技能提供对人类代谢组数据库的访问权限，该数据库包含超过220,000种代谢物条目。研究人员可以通过化学名称、结构或ID进行搜索，以获取代谢组学研究的属性、光谱和生物标志物数据。