使用完整的質譜工具處理蛋白質體與代謝體資料。此技能提供存取 OpenMS 演算法以處理檔案格式、光譜處理、特徵偵測與胜肽鑑定工作流程。

多目標最佳化是在多個彼此衝突的目標必須同時滿足時，尋找權衡解的過程。此技能提供對 pymoo 演算法的完整存取，包括 NSGA-II、NSGA-III 與 MOEA/D，用於尋找帕累托最優解並視覺化權衡前緣。

使用 PyMC 建立、擬合並驗證貝葉斯模型。建立階層式模型，執行 MCMC 取樣，並使用 LOO 與 WAIC 指標比較模型。

醫療保健研究人員和數據科學家經常與複雜的臨床數據格式和編碼系統搏鬥。PyHealth提供了一個統一的工具包，用於加載醫療數據集、處理EHR數據、訓練預測模型以及處理標準醫療代碼。

PyDESeq2 可對大量 RNA-seq 計數資料進行差異基因表現分析。執行統計檢定、多重比較校正，並為您的基因體學研究產生可直接發表的火山圖和 MA 圖。

處理 DICOM 醫學影像，包括 CT、MRI、X 光與超音波。可讀取、寫入、匿名化、轉換，並從醫療影像檔案中擷取中繼資料。

訓練強化學習代理需要高效能平行環境和高效能演算法。PufferLib 提供優化的 PPO+LSTM 訓練，透過向量化、共享記憶體緩衝區和多代理支援，實現 2-10 倍的加速。

使用 Polars（高效能 DataFrame 庫）在記憶體中處理大型資料集。具備延遲執行、平行運算和 Apache Arrow 後端，比 pandas 快 10 倍。

資料視覺化通常需要複雜的程式碼且缺乏探索互動性。本技能提供使用 Plotly 建立互動式、出版品質圖表的全面指導,具備滑鼠懸停提示、縮放、平移功能,以及超過 40 種圖表類型,適用於儀表板和資料分析。

使用 Open Targets Platform 資料尋找治療靶點和藥物候選者。存取基因證據、可成藥性評估、安全數據以及靶點-疾病關聯的已知藥物。

此技能提供對 OMERO（用於顯微鏡和高通量篩選的科學影像管理平台）的 Python API 存取。連線到 OMERO 伺服器、擷取影像、分析像素資料，以及以程式化方式管理註釋。

此技能提供對 Neuropixels 高密度神經記錄的全面分析。它處理從原始數據加載到使用 SpikeInterface 和 Kilosort4 算法生成可直接發表的精選單元的完整工作流程。

處理圖形和網路資料需要專業工具來建立結構、計算演算法和產生視覺化效果。此技能提供對 NetworkX 功能的全面存取，可用於社交網路分析、生物路徑映射、運輸優化和關係建模。

Modal 是一個用於在雲端執行 Python 程式碼的無伺服器平台。它提供即時存取 GPU、自動擴展，以及按使用量計費。部署 ML 模型、執行批次處理作業，以及提供 API，無需管理基礎設施。

藥物發現需要過濾大型化合物庫以獲得類藥特性。此技能應用成熟的藥物化學規則，包括類藥五規則、Veber規則和PAINS篩選器，以有效優先處理化合物並識別結構警示。

Matplotlib 提供對每個視覺元素的完整控制，可建立高品質的發表圖表。精通 pyplot 和物件導向介面，從簡單的線圖到複雜的多面板科學視覺化，建立任何類型的圖表。

科學家和工程師經常為 MATLAB 語法和最佳實踐而苦惱。此技能提供矩陣操作、可視化和數值分析的綜合參考文檔。

無需管理基礎設施即可部署生產級生物資訊學工作流程。使用 Python 裝飾器建立無伺服器管線，支援自動容器化、GPU 整合與雲端儲存。

生物學研究會產生複雜的資料集，這些資料難以追蹤、查詢和重現。LaminDB 提供了一個統一的框架來管理生物學資料，具有自動譜系追蹤、基於本體論的註釋，以及與工作流程管理器的無縫整合。

此技能提供對人類代謝體資料庫的存取，該資料庫包含超過 220,000 筆代謝物條目。研究人員可以透過化學名稱、結構或 ID 進行搜尋，以取得代謝體學研究的特性、光譜和生物標記數據。