Bioinformatics

torchdrug ist ein PyTorch-nahes Toolkit für maschinelles Lernen mit Molekülen und Proteinen. Nutzen Sie den torchdrug Skill, um Tasks, Datensätze und modulare Modelle für Graph Neural Networks, Proteinmodellierung, Knowledge-Graph-Reasoning, Molekülgenerierung und Retrosynthese auszuwählen. Am besten geeignet für die Entwicklung eigener Modelle und reproduzierbare Konfigurationen, nicht nur für vorgefertigte Demos.

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.

dnanexus-integration ist eine praxisnahe Fähigkeit für Genomik-Workflows in der DNAnexus-Cloud. Sie hilft beim Erstellen von Apps und Applets, beim Verwalten von Uploads und Downloads, beim Ausführen von Workflows und beim Automatisieren von Pipelines mit dxpy. Der Leitfaden zu dnanexus-integration unterstützt Backend-Entwicklungsaufgaben mit FASTQ-, BAM- und VCF-Dateien sowie plattformspezifische Konfiguration und Job-Ausführung.

diffdock ist ein Docking-Skill zur Vorhersage von Protein-Ligand-Bindungsposen aus PDB-Strukturen oder aus Proteinsequenzen plus Liganden in SMILES, SDF oder MOL2. Verwenden Sie den diffdock Skill für structure-based drug design, virtuelles Screening und Posenanalyse mit Konfidenzwertung. Er ist nicht für die Vorhersage der Bindungsaffinität gedacht.

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.

scikit-survival Skill für Survival Analysis und Time-to-Event-Modellierung in Python. Nutzen Sie diesen Leitfaden für zensierte Daten, Cox-Modelle, Random Survival Forests, Gradient Boosting, Survival SVMs und Überlebensmetriken wie den Concordance Index und den Brier Score.

scanpy-Skill für die Analyse von Single-Cell-RNA-seq-Daten in Python. Geeignet für QC, Normalisierung, PCA, UMAP/t-SNE, Clustering, Markergen-Analyse, Trajektorienanalyse und Plots in Publikationsqualität. Am besten für explorative scRNA-seq-Workflows rund um AnnData, mit klaren Hinweisen zur Nutzung von scanpy und zur Installation.

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.

pydeseq2 ist ein Python-DESeq2-Skill für die Differential-Expressionsanalyse von Bulk-RNA-seq-Daten. Verwenden Sie ihn, um Bedingungen zu vergleichen, Einzel- oder Mehrfaktor-Designs zu modellieren, Wald-Tests und FDR-Korrekturen anzuwenden sowie Volcano- oder MA-Plots in pandas- und AnnData-Workflows zu erstellen.

neuropixels-analysis Skill für die Analyse von Neuropixels-Neuaufzeichnungen. Lädt Daten aus SpikeGLX, Open Ephys oder NWB, bereitet sie vor, korrigiert Bewegung, führt Spike Sorting aus, berechnet Qualitätsmetriken und kuratiert Units für die weitere Datenanalyse. Ideal für Nutzer, die einen praxisnahen neuropixels-analysis-Leitfaden von Rohdaten bis zu veröffentlichungsreifen Ergebnissen suchen.

molfeat ist eine Skill für molekulare Featurisierung für ML und Data Analysis. Sie hilft dabei, SMILES oder RDKit-Moleküle in Fingerprints, Deskriptoren und vortrainierte Embeddings zu überführen – für QSAR, Virtual Screening, Similarity Search und die Analyse des chemischen Raums. Nutzen Sie diesen molfeat-Guide, um passende Repräsentationen auszuwählen und wiederverwendbare Featurization-Pipelines aufzubauen.

latchbio-integration ist die Skill für das Erstellen und Bereitstellen von Bioinformatik-Workflows auf Latch. Sie eignet sich zum Paketieren von Python-Pipelines mit den Dekoratoren `@workflow` und `@task`, zum Verwalten von `LatchFile`- und `LatchDir`-Daten sowie zum Anpassen von Nextflow- oder Snakemake-Workflows für die serverlose Ausführung.

imaging-data-commons hilft dir, öffentliche Krebs-Bilddaten aus dem NCI Imaging Data Commons mit `idc-index` abzufragen und herunterzuladen. Nutze es für imaging-data-commons-Anwendungen über CT-, MR-, PET- und Pathologie-Datensätze hinweg, einschließlich Metadatensuche, Browser-Vorschau, Lizenzprüfung sowie Workflows für KI-Training oder Datenanalyse. Keine Authentifizierung erforderlich.

Analysieren und optimieren Sie die Proteinglykosylierung mit der glycoengineering Skill. Erkennen Sie N-Glykosylierungs- Sequons, schätzen Sie O-Glykosylierungs-Hotspots ab und unterstützen Sie die Optimierung von Antikörpern, das Impfstoffdesign und Glycoengineering in Data-Analysis-Workflows mit praxisnahen Entscheidungshilfen.

gget ist eine Bioinformatik-Skill für den schnellen, einheitlichen Zugriff auf mehr als 20 genomische Datenbanken und Analysewerkzeuge über CLI oder Python. Nutzen Sie ihn für Geninformationen, BLAST-nahe Abfragen, AlphaFold-Strukturen, Expressionsdaten, Krankheitsassoziationen und Analysen im Stil von Enrichment-Workflows. Er eignet sich für schnelle Exploration und für gget in Data-Analysis-Workflows.

geniml ist ein Skill für Machine Learning mit genomischen Intervallen auf BED-Dateien, scATAC-seq-Ausgaben und Daten zur Chromatinzugänglichkeit. Nutzen Sie ihn für Region2Vec, BEDspace, scEmbed, Konsensus-Peaks und andere ML-Workflows auf Regionsebene. Er passt gut, wenn Sie Embeddings, Clustering oder Hinweise zur Vorverarbeitung für genomische Regionen benötigen.

etetoolkit ist ein Toolkit für phylogenetische Bäume im ETE-Workflow. Verwenden Sie das etetoolkit-Skill zum Parsen, Bearbeiten, Vergleichen, Rooten, Beschneiden und Visualisieren von Bäumen in Newick, NHX, PhyloXML oder NeXML. Es unterstützt Phylogenomik, Orthologie-/Paralogie-Analysen, NCBI-Taxonomie sowie PDF- oder SVG-Ausgabe im Publikationsstil.

depmap unterstützt die Analyse der Cancer Dependency Map für Gen-Dependency-Scores von Krebszelllinien, Arzneimittel-Empfindlichkeit und Gene-Effect-Profile. Nutzen Sie es, um krebsspezifische Schwachstellen, synthetisch-letale Interaktionen und validierte Wirkstoffziele in der Onkologie mit einem reproduzierbaren depmap-Leitfaden für Data Analysis zu identifizieren.

Die deeptools-Skill unterstützt bei NGS-Analyse-Workflows mit deepTools: BAM-zu-bigWig-Konvertierung, QC, Probenvergleich sowie Heatmaps und Profildiagramme für ChIP-seq, RNA-seq, ATAC-seq und verwandte Assays. Nutze sie als praxisnahen deeptools-Leitfaden, wenn reproduzierbare Analysen und Visualisierungen per Kommandozeile gefragt sind.

cellxgene-census-Skill zum programmgesteuerten Abfragen des CELLxGENE Census. Damit lassen sich Expressionsdaten, Metadaten, Embeddings und Muster über Datensätze hinweg in Geweben, Krankheiten und Zelltypen erkunden. Besonders geeignet für Single-Cell-Analysen auf Populationsebene und Vergleiche mit Referenzatlanten; für eigene Daten sind scanpy oder scvi-tools die bessere Wahl.

bioservices ist eine Python-Skill für Abfragen von über 40 Bioinformatik-Diensten über eine einzige Schnittstelle. Nutzen Sie sie für workflows über mehrere Datenbanken hinweg, ID-Mapping sowie Abfragen von Pathways und Verbindungen und für Backend-Entwicklungsaufgaben, die einen zuverlässigen API-basierten Zugriff auf UniProt, KEGG, ChEMBL, Reactome und weitere Dienste erfordern.

adaptyv hilft dir, die Adaptyv Bio Foundry API und das Python SDK zu nutzen, um es zu installieren, Proteinsequenzen zu übermitteln und Assay-Ergebnisse abzurufen. Nutze dieses adaptyv Skill für API-Entwicklung, Auth-Setup, Request-Design sowie praktische Hinweise für Workflows zu Binding, Screening, Thermostabilität, Expression und Fluoreszenz.