Bioinformatics

torchdrug es un toolkit nativo de PyTorch para machine learning molecular y de proteínas. Usa la skill de torchdrug para elegir tareas, datasets y modelos modulares para redes neuronales de grafos, modelado de proteínas, razonamiento sobre grafos de conocimiento, generación molecular y retrosíntesis. Es la mejor opción para desarrollar modelos a medida y trabajar con configuraciones reproducibles, no solo para demos cerradas.

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.

dnanexus-integration es una habilidad práctica para trabajar con genómica en la nube de DNAnexus. Úsala para crear apps y applets, gestionar subidas y descargas, ejecutar workflows y automatizar pipelines con dxpy. La guía de dnanexus-integration ayuda en tareas de Desarrollo Backend que implican archivos FASTQ, BAM y VCF, además de configuración específica de la plataforma y ejecución de jobs.

diffdock es una skill de docking para predecir poses de unión proteína-ligando a partir de estructuras PDB o de secuencias de proteína junto con ligandos en SMILES, SDF o MOL2. Usa la skill diffdock para diseño de fármacos basado en estructura, cribado virtual y análisis de poses con puntuación de confianza. No sirve para predecir afinidad de unión.

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.

Skill de scikit-survival para análisis de supervivencia y modelado de tiempo hasta el evento en Python. Usa esta guía para datos censurados, modelos de Cox, bosques aleatorios de supervivencia, gradient boosting, Survival SVM y métricas de supervivencia como el índice de concordancia y el puntaje de Brier.

Skill de scanpy para el análisis de datos scRNA-seq de célula única en Python. Úsalo para QC, normalización, PCA, UMAP/t-SNE, clustering, descubrimiento de genes marcadores, análisis de trayectoria y gráficos listos para publicación. Es ideal para flujos exploratorios de scRNA-seq basados en AnnData, con uso claro de scanpy y guía de instalación.

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.

pydeseq2 es una skill de Python basada en DESeq2 para el análisis diferencial de expresión génica en RNA-seq a gran escala. Úsala para comparar condiciones, ajustar diseños de uno o varios factores, aplicar pruebas de Wald y corrección FDR, y generar gráficos volcano o MA en flujos de trabajo con pandas y AnnData.

Skill de neuropixels-analysis para análisis de registros neuronales con Neuropixels. Carga datos de SpikeGLX, Open Ephys o NWB; preprocesa, corrige movimiento, ejecuta spike sorting, calcula métricas de calidad y depura unidades para el análisis posterior. Ideal para quienes necesitan una guía práctica de neuropixels-analysis, desde archivos en bruto hasta resultados listos para publicar.

molfeat es una skill de featurización molecular para ML y análisis de datos. Ayuda a convertir moléculas SMILES o de RDKit en fingerprints, descriptores y embeddings preentrenados para QSAR, cribado virtual, búsqueda de similitud y análisis del espacio químico. Usa esta guía de molfeat para elegir representaciones prácticas y crear pipelines de featurización reutilizables.

latchbio-integration es la skill para crear y desplegar flujos de trabajo de bioinformática en Latch. Úsala para empaquetar pipelines en Python con los decoradores `@workflow` y `@task`, gestionar datos con `LatchFile` y `LatchDir`, y adaptar flujos de trabajo de Nextflow o Snakemake para su ejecución serverless.

imaging-data-commons te ayuda a consultar y descargar datos públicos de imagen médica oncológica de NCI Imaging Data Commons con idc-index. Úsalo para trabajar con imaging-data-commons en conjuntos de CT, MR, PET y patología, incluyendo búsqueda de metadatos, vista previa en el navegador, comprobaciones de licencias y flujos de trabajo para entrenamiento de IA o análisis de datos. No requiere autenticación.

Analiza y diseña la glicosilación de proteínas con la skill de glycoengineering. Identifica sequones de N-glicosilación, estima hotspots de O-glicosilación y apoya la optimización de anticuerpos, el diseño de vacunas y los flujos de trabajo de análisis de datos para glycoengineering con orientación práctica para la toma de decisiones.

gget es una skill de bioinformática para acceder de forma rápida y unificada a más de 20 bases de datos genómicas y herramientas de análisis desde CLI o Python. Úsala para información de genes, búsquedas relacionadas con BLAST, estructuras de AlphaFold, datos de expresión, asociaciones con enfermedades y análisis de enriquecimiento. Encaja bien para exploración rápida y flujos de trabajo de análisis de datos con gget.

geniml es una skill para aprendizaje automático con intervalos genómicos sobre archivos BED, salidas de scATAC-seq y datos de accesibilidad de cromatina. Úsala para Region2Vec, BEDspace, scEmbed, picos consenso y otros flujos de trabajo de ML a nivel de región. Es una buena opción cuando necesitas embeddings, clustering o guía de preprocesamiento para regiones genómicas.

etetoolkit es un conjunto de herramientas para árboles filogenéticos en flujos de trabajo ETE. Usa la skill etetoolkit para analizar, editar, comparar, enraizar, podar y visualizar árboles en Newick, NHX, PhyloXML o NeXML. Admite filogenómica, análisis de ortología/paralogía, taxonomía NCBI y salida PDF o SVG con aspecto de publicación.

depmap ayuda a analizar el Cancer Dependency Map para obtener puntuaciones de dependencia génica en líneas celulares de cáncer, sensibilidad a fármacos y perfiles de efecto génico. Úsalo para identificar vulnerabilidades específicas del cáncer, interacciones sintéticas letales y validar dianas oncológicas con una guía reproducible de depmap para Data Analysis.

La skill deeptools ayuda en flujos de trabajo de análisis de NGS en deepTools: conversión de BAM a bigWig, control de calidad, comparación de muestras y gráficos de heatmap o perfil para ChIP-seq, RNA-seq, ATAC-seq y ensayos relacionados. Úsala como una guía práctica de deeptools cuando necesites análisis y visualización reproducibles desde la línea de comandos.

Skill de cellxgene-census para consultar programáticamente el CELLxGENE Census. Úsalo para explorar datos de expresión, metadatos, embeddings y patrones entre conjuntos de datos a través de tejidos, enfermedades y tipos celulares. Es ideal para análisis de célula única a escala poblacional y comparaciones con atlas de referencia; para tus propios datos, usa scanpy o scvi-tools.

bioservices es un skill de Python para consultar más de 40 servicios de bioinformática desde una sola interfaz. Úsalo para flujos de trabajo entre bases de datos, mapeo de identificadores, búsquedas de rutas y compuestos, y tareas de backend que necesiten recuperación fiable basada en API en UniProt, KEGG, ChEMBL, Reactome y más.

adaptyv te ayuda a usar la API de Adaptyv Bio Foundry y el SDK de Python para instalar, enviar secuencias de proteínas y recuperar resultados de ensayos. Usa esta skill de adaptyv para desarrollo de API, configuración de autenticación, estructuración de solicitudes y guía práctica para flujos de trabajo de binding, screening, thermostability, expresión y fluorescencia.