Scientific

torch-geometric Skill-Guide für PyTorch Geometric Graph Neural Networks. Nutzen Sie ihn für Hilfe bei der Installation von torch-geometric, zur Anwendung von torch-geometric, für Graphklassifikation, Node-Klassifikation, Link Prediction, heterogene Graphen, benutzerdefinierte MessagePassing-Layer und das Skalieren von GNNs in Machine-Learning-Workflows.

Nutze die sympy-Skill für exakte symbolische Mathematik in Python, einschließlich Algebra, Analysis, Matrizen, physikalischer Formeln, Zahlentheorie, Geometrie und Codegenerierung. Sie hilft dir, Ausdrücke exakt zu halten, die passenden SymPy-Module auszuwählen und typische Fehler durch zu viel Fließkommaarithmetik zu vermeiden. Besonders geeignet für alle, die einen praktischen sympy-Leitfaden für symbolische Workflows und sympy für Data Analysis suchen.

Die rdkit-Skill unterstützt präzise Cheminformatik-Workflows: SMILES, SDF, MOL, PDB und InChI parsen, Deskriptoren berechnen, Fingerprints erzeugen, Substruktursuche ausführen, Reaktionen handhaben und 2D-/3D-Koordinaten erstellen. Verwenden Sie diesen rdkit-Leitfaden für erweiterte Kontrolle, benutzerdefinierte Sanitization und rdkit für Data-Analysis-Workflows.

qutip ist eine Python-Skill für Quantensimulation in der Physik und eignet sich für offene Quantensysteme, Dissipation, Zeitentwicklung und Quantenoptik. Nutzen Sie diesen qutip-Leitfaden für Mastergleichungen, Lindblad-Dynamik, Dekohärenz, Cavity QED, Simulationen von Zuständen und Operatoren sowie Beispiele aus Scientific Python. Nicht geeignet für schaltungsbasierte Quantencomputer.

qiskit ist eine IBM-Quantum-Computing-Skill für das Erstellen von Schaltkreisen, die Auswahl von Backends, das Transpilieren für Hardware und das Ausführen von Jobs auf Simulatoren oder IBM-Quantum-Geräten. Sie eignet sich besonders für qiskit-Anwendungen in Chemie, Optimierung und Machine Learning, vor allem wenn Sie praxisnahe Installations- und Ausführungshinweise brauchen statt einer rein theoretischen qiskit-Anleitung.

paper-lookup ist ein Recherche-Tool für Academic Research, mit dem Sie wissenschaftliche Paper, Preprints, Zitate, DOI/PMID-Treffer, Abstracts, Volltexte und Open-Access-Kopien über 10 akademische Datenbanken finden. Nutzen Sie es für paper-lookup, wenn Sie zuerst die passende Quelle brauchen und nicht einfach eine allgemeine Websuche. Der paper-lookup-Leitfaden verweist auf PubMed, PMC, Crossref, OpenAlex, Semantic Scholar, CORE, arXiv, bioRxiv, medRxiv und Unpaywall.

hypogenic ist ein Skill zum Generieren und Testen von Hypothesen auf tabellarischen oder aus Text abgeleiteten Datensätzen mit LLM-Unterstützung. Er unterstützt hypogenic für Data Analysis, indem er empirische Fragen in strukturierte, überprüfbare Workflows für Klasseninterpretation, Inhaltsanalyse und Täuschungserkennung übersetzt. Nutzen Sie ihn, wenn Sie evidenzgestützte Hypothesen brauchen und nicht nur Brainstorming.

Die hugging-science-Skill hilft dir, wissenschaftliche KI-Ressourcen aus dem Hugging Science-Katalog und der Hugging-Face-Organisation `hugging-science` zu finden und zu nutzen. Sie passt zu Biologie, Chemie, Klima, Genomik, Materialwissenschaften, Astronomie und ähnlichen Aufgaben, wenn du einen Datensatz, ein Modell, einen Space oder einen Blogbeitrag suchst, den du tatsächlich ausführen oder zitieren kannst. Nutze sie für hugging-science-Nutzung und hugging-science-Guide-Workflows statt für eine allgemeine Suche.

histolab ist ein Python-Skill für die Vorverarbeitung von Whole-Slide-Images in der digitalen Pathologie. Es unterstützt Gewebeerkennung, Tile-Extraktion und Farbnormalisierung für H&E-Schnitte und ist damit nützlich für das Aufbereiten von Datensätzen, schnelle kachelbasierte Analysen und schlanke Workflows zur Datenanalyse. Installiere und nutze histolab mit praxisnahen Hinweisen zu Masken, Tilern und Slide-Management.

Die statsmodels-Skill hilft Ihnen, statsmodels für die Datenanalyse in Python zu nutzen, wenn Sie statistische Modelle, Inferenz und Diagnostik brauchen. Sie eignet sich für OLS, GLM, diskrete Outcomes, Zeitreihen und Mixed Models, inklusive Koeffiziententabellen, p-Werten, Konfidenzintervallen und Annahmenprüfungen. Nutzen Sie diesen statsmodels-Leitfaden für Ökonometrie, Prognosen und belastbare Berichte.

Die statistical-analysis-Skill hilft dir, belastbare Tests für Data Analysis auszuwählen, durchzuführen und sauber zu berichten – inklusive Annahmen, Effektstärken, Power und APA-konformer Ergebnisse. Sie eignet sich für akademische Forschung, Experimente und Beobachtungsstudien, wenn die Wahl des passenden Tests und eine klare Ergebnisdarstellung wichtiger sind als das Coden eines bestimmten Modells.

scvi-tools ist ein Python-Framework für probabilistische Single-Cell-Analysen. Verwenden Sie diesen scvi-tools Skill für Batch-Korrektur, latente Embeddings, differentielle Expression mit Unsicherheit, Transfer Learning und multimodale Integration. Er eignet sich besonders gut für Single-Cell-RNA-seq-, ATAC-, CITE-seq-, Multiome- und Spatial-Workflows, vor allem bei fortgeschrittenen Machine-Learning-Anwendungsfällen.

scvelo ist ein Python-Skill für die RNA-Velocity-Analyse in Single-Cell-RNA-seq-Daten. Nutzen Sie ihn, um Zellzustandsübergänge aus ungespleißter und gespleißter mRNA zu schätzen, die Richtung von Trajektorien abzuleiten, die latente Zeit zu berechnen und Treiber-Gene zu identifizieren. Besonders hilfreich ist scvelo für Data Analysis, wenn Sie mehr Richtungsinformation benötigen als bei klassischem Clustering oder Pseudotime.

scientific-writing ist eine Kernkompetenz für das Deep-Research- und Schreibwerkzeug. Es verwandelt Forschungsnotizen, Gliederungen und Quellenbefunde in publikationsreife wissenschaftliche Texte mit IMRAD-Struktur, vollständigen Absätzen, Zitierstilen wie APA/AMA/Vancouver und Reporting-Guidelines wie CONSORT, STROBE und PRISMA. Verwenden Sie es für Fachartikel, Überarbeitungen, Abstracts und einreichungsreife Entwürfe.

scientific-visualization ist eine Meta-Skill für publikationsreife Abbildungen. Verwenden Sie sie für Plots zur Zeitschrifteneinreichung mit mehrteiligen Layouts, Signifikanzmarkierungen, Fehlerbalken, farbenblind-sicheren Paletten und Nature/Science/Cell-ähnlicher Formatierung. Sie orchestriert matplotlib, seaborn und plotly für wissenschaftliche Visualisierung im Bereich Data Visualization.

Erstelle mit dem scientific-slides Skill Folien und Präsentationen für Forschungs- und Wissenschaftsvorträge. Nutze ihn für Konferenzpräsentationen, Seminarsitzungen, Disputationen, Labor-Updates und andere wissenschaftliche Slide-Decks. Der Fokus liegt auf klarer Narration, wenig Text, visueller Hierarchie, Zitaten und einer vortragsreifen Struktur für PowerPoint oder LaTeX Beamer.

scientific-critical-thinking hilft dabei, wissenschaftliche Aussagen, Studiendesign, Bias, Confounding und die Qualität von Evidenz zu bewerten. Nutzen Sie es für kritische Analysen, die Unterstützung bei Literaturrecherchen, GRADE- oder Cochrane-Risiko-von-Bias-Prüfungen sowie für scientific-critical-thinking im Sinne einer Peer-Review-artigen Einschätzung, was eine Arbeit tatsächlich belegen kann.

scholar-evaluation hilft dabei, wissenschaftliche Arbeiten und Forschungsleistungen mit einem strukturierten Bewertungssystem zu beurteilen – von Problemstellung und Methodik über Analyse und Schreibstil bis hin zur Publikationsreife. Geeignet für akademische Begutachtung, Überarbeitungsplanung und konsistentes Feedback zu Papers, Anträgen, Literaturübersichten und anderen wissenschaftlichen Entwürfen.

scientific-brainstorming ist ein Research-Ideation-Skill für offenes wissenschaftliches Denken. Nutzen Sie ihn, um interdisziplinäre Zusammenhänge zu erkunden, Annahmen zu hinterfragen, Forschungslücken zu identifizieren und frühe Projektideen zu schärfen, bevor ein enges Datenset oder eine belastbare Endhypothese vorliegt.

Rowan ist eine cloud-native Plattform für molekulare Modellierung und Workflows in der medizinischen Chemie mit Python-API. Das rowan Skill eignet sich besonders für die Batch-pKa-Vorhersage, Konformer- und Tautomer-Ensembles, Docking, Cofolding, molekulare Dynamik, Permeabilität und Deskriptor-Workflows, wenn reproduzierbare, programmatische Abläufe gefragt sind, ohne lokale HPC- oder GPU-Infrastruktur selbst zu betreiben.

pytdc ist eine Skill für Therapeutics Data Commons und stellt KI-taugliche Datensätze und Benchmarks für Drug Discovery bereit, darunter ADME, Toxizität, DTI, DDI, Generierung, Scaffold-Splits und pharmakologische Vorhersagen.

pyopenms ist eine Python-basierte Skill für Massenspektrometrie in Proteomik- und Metabolomik-Workflows. Verwenden Sie sie, um pyopenms zu installieren, mzML- und verwandte Dateien zu laden und zu prüfen, Spektren zu verarbeiten, Features zu detektieren, Peptide und Proteine zu identifizieren und reproduzierbare LC-MS/MS-Datenanalyse-Pipelines aufzubauen.

pymoo ist eine Python-Skill für Single- und Multi-Objective-Optimierung, Pareto-Fronten, Nebenbedingungen und Benchmark-Tests. Nutzen Sie diesen pymoo-Leitfaden, um Algorithmen wie NSGA-II, NSGA-III und MOEA/D auszuwählen, den Installations- und Nutzungsablauf nachzuvollziehen und pymoo für Data Analysis einzusetzen, wenn mehrere Kennzahlen gegeneinander abgewogen werden müssen.

PyMC ist ein Skill für Bayes-Modellierung zum Erstellen, Anpassen, Prüfen und Vergleichen probabilistischer Modelle in Python. Verwenden Sie pymc für hierarchische Regression, Mehrebenenanalyse, Zeitreihen, fehlende Daten, Messfehler und Modellvergleich mit LOO oder WAIC.