Scientific

Guía de torch-geometric para redes neuronales gráficas con PyTorch Geometric. Úsala para ayuda de instalación de torch-geometric, uso de torch-geometric, clasificación de grafos, clasificación de nodos, predicción de enlaces, grafos heterogéneos, capas `MessagePassing` personalizadas y escalado de GNN en flujos de trabajo de Machine Learning.

Usa la skill sympy para matemáticas simbólicas exactas en Python, incluyendo álgebra, cálculo, matrices, fórmulas de física, teoría de números, geometría y generación de código. Te ayuda a mantener las expresiones exactas, elegir los módulos adecuados de SymPy y evitar errores típicos por depender demasiado de floats. Es ideal para quienes necesitan una guía práctica de sympy para flujos de trabajo simbólicos y sympy para análisis de datos.

La skill de rdkit ayuda a trabajar con flujos de quimioinformática de alta precisión: analizar SMILES, SDF, MOL, PDB e InChI; calcular descriptores; generar fingerprints; ejecutar búsquedas de subestructuras; manejar reacciones; y crear coordenadas 2D/3D. Usa esta guía de rdkit para control avanzado, sanitización personalizada y flujos de rdkit para análisis de datos.

qutip es una skill de simulación de física cuántica en Python para sistemas cuánticos abiertos, disipación, evolución temporal y óptica cuántica. Usa esta guía de qutip para ecuaciones maestras, dinámica de Lindblad, decoherencia, cavity QED, simulación de estados y operadores, y ejemplos con Scientific Python. No es para computación cuántica basada en circuitos.

qiskit es una skill de computación cuántica de IBM para crear circuitos, elegir backends, transpilar para hardware y ejecutar trabajos en simuladores o dispositivos de IBM Quantum. Encaja muy bien para usos de qiskit en química, optimización y machine learning, sobre todo cuando necesitas una guía práctica de instalación y ejecución en lugar de una explicación teórica de qiskit.

paper-lookup es una skill de recuperación de información para Investigación Académica, pensada para encontrar artículos científicos, preprints, citas, coincidencias de DOI/PMID, resúmenes, texto completo y copias de acceso abierto en 10 bases de datos académicas. Úsala para paper-lookup cuando necesites primero la fuente correcta, no una búsqueda web genérica. La guía de paper-lookup apunta a PubMed, PMC, Crossref, OpenAlex, Semantic Scholar, CORE, arXiv, bioRxiv, medRxiv y Unpaywall.

hypogenic es una skill para generar y probar hipótesis sobre conjuntos de datos tabulares o derivados de texto con apoyo de LLM. Ayuda con hypogenic para análisis de datos al convertir preguntas empíricas en flujos de trabajo estructurados y comprobables para interpretación de clasificaciones, análisis de contenido y detección de engaños. Úsala cuando necesites hipótesis respaldadas por evidencia, no solo lluvia de ideas.

La skill hugging-science te ayuda a encontrar y usar recursos de IA científica del catálogo Hugging Science y de la organización `hugging-science` en Hugging Face. Encaja bien en biología, química, clima, genómica, materiales, astronomía y trabajos similares cuando necesitas un dataset, un modelo, un Space o un artículo de blog que realmente puedas ejecutar o citar. Úsala para flujos de uso y guía de hugging-science en lugar de una búsqueda genérica.

histolab es una skill de Python para el preprocesamiento de imágenes de portaobjetos completos (WSI) en patología digital. Permite detección de tejido, extracción de tiles y normalización de tinción para láminas H&E, por lo que resulta útil para preparar datasets, hacer análisis rápidos basados en tiles y trabajar en flujos ligeros de análisis de datos. Instala y usa histolab con guía práctica sobre máscaras, tilers y gestión de slides.

La skill de statsmodels te ayuda a usar statsmodels para análisis de datos en Python cuando necesitas modelos estadísticos, inferencia y diagnósticos. Sirve para ajustar OLS, GLM, resultados discretos, series temporales y modelos mixtos, con tablas de coeficientes, valores p, intervalos de confianza y comprobaciones de supuestos. Usa esta guía de statsmodels para econometría, pronósticos e informes sólidos y defendibles.

La skill statistical-analysis te ayuda a elegir, ejecutar y reportar pruebas estadísticas sólidas para Data Analysis, incluyendo supuestos, tamaños del efecto, potencia y resultados con estilo APA. Úsala en investigación académica, experimentos y estudios observacionales cuando la selección de la prueba y la claridad del reporte importan más que codificar un modelo concreto.

scvi-tools es un framework de Python para el análisis probabilístico de datos de célula única. Usa esta skill de scvi-tools para corrección de lotes, embeddings latentes, expresión diferencial con incertidumbre, transfer learning e integración multimodal. Encaja especialmente bien en flujos de trabajo de RNA-seq de célula única, ATAC, CITE-seq, multiome y espacial, sobre todo en casos de uso avanzados de Machine Learning.

scvelo es una skill en Python para el análisis de RNA velocity en datos de RNA-seq de célula única. Úsala para estimar transiciones entre estados celulares a partir de mRNA no empalmado y empalmado, inferir la dirección de las trayectorias, calcular tiempo latente e identificar genes impulsores. Es especialmente útil para scvelo en análisis de datos cuando necesitas direccionalidad más allá del clustering estándar o del pseudotiempo.

scientific-writing es una skill central para la herramienta de investigación profunda y redacción. Convierte notas de investigación, esquemas y hallazgos de fuentes en prosa científica lista para publicar, con estructura IMRyD, párrafos completos, estilos de cita como APA/AMA/Vancouver y guías de reporte como CONSORT, STROBE y PRISMA. Úsala para artículos de revista, revisiones, resúmenes y borradores listos para envío.

scientific-visualization es una meta-skill para crear figuras listas para publicación. Úsala para gráficos de envío a revistas con diseños multipanel, anotaciones de significancia, barras de error, paletas aptas para daltónicos y formato al estilo Nature/Science/Cell. Orquesta matplotlib, seaborn y plotly para trabajo de visualización de datos con scientific-visualization.

Crea diapositivas y presentaciones para charlas de investigación con la skill scientific-slides. Úsala para presentaciones en congresos, seminarios, defensas de tesis, actualizaciones de laboratorio y otros decks científicos. Da prioridad a una narrativa clara, poco texto, jerarquía visual, citas y una estructura lista para presentar en PowerPoint o LaTeX Beamer.

scientific-critical-thinking ayuda a evaluar afirmaciones científicas, el diseño de estudios, los sesgos, la confusión y la calidad de la evidencia. Úsalo para análisis crítico, apoyo a revisiones de literatura, comprobaciones de riesgo de sesgo con GRADE o Cochrane, y scientific-critical-thinking para una evaluación estilo Peer Review de lo que un artículo realmente puede respaldar.

scholar-evaluation ayuda a evaluar trabajos académicos y de investigación con una puntuación estructurada en formulación del problema, metodología, análisis, redacción y preparación para publicación. Úsalo para revisión académica, planificación de revisiones y comentarios consistentes sobre artículos, propuestas, revisiones de literatura y otros borradores académicos.

scientific-brainstorming es una habilidad de ideación para investigación orientada al pensamiento científico abierto. Úsala para explorar vínculos interdisciplinarios, cuestionar supuestos, identificar vacíos de investigación y dar forma a ideas de proyectos en fases tempranas antes de contar con un conjunto de datos sólido o una hipótesis final.

Rowan es una plataforma cloud-native para modelado molecular y flujos de trabajo de química medicinal con API de Python. La skill rowan es especialmente adecuada para predicción por lotes de pKa, generación de conjuntos de conformeros y tautómeros, docking, cofolding, dinámica molecular, permeabilidad y flujos de descriptores cuando necesitas ejecuciones reproducibles y programáticas sin gestionar infraestructura local de HPC o GPU.

pytdc es una skill para Therapeutics Data Commons, que ofrece conjuntos de datos y benchmarks listos para IA para descubrimiento de fármacos en ADME, toxicidad, DTI, DDI, generación, divisiones scaffold y predicción farmacológica.

pyopenms es un skill de espectrometría de masas basado en Python para flujos de trabajo de proteómica y metabolómica. Úsalo para instalar pyopenms, cargar e inspeccionar archivos mzML y relacionados, procesar espectros, detectar características, identificar péptidos y proteínas, y construir pipelines reproducibles de análisis de datos LC-MS/MS.

pymoo es una skill de Python para optimización de uno y varios objetivos, frentes de Pareto, problemas con restricciones y pruebas de referencia. Usa esta guía de pymoo para elegir algoritmos como NSGA-II, NSGA-III y MOEA/D, seguir el flujo de instalación y uso, y aplicar pymoo en análisis de datos cuando haya que equilibrar varias métricas.

PyMC es un skill de modelado bayesiano para construir, ajustar, comprobar y comparar modelos probabilísticos en Python. Usa pymc para regresión jerárquica, análisis multivel, series temporales, datos faltantes, error de medición y comparación de modelos con LOO o WAIC.