Scientific

clinical-research aide les équipes à concevoir des études cliniques prospectives avant soumission, avec classification des critères d’évaluation, estimations de taille d’échantillon et de puissance pour deux bras, et scoring de faisabilité par phase-gate. Il inclut des outils Python, des références et un modèle de synopsis de protocole, tout en maintenant les résultats au rang d’estimations à faire relire par des cliniciens, biostatisticiens et responsables réglementaires.

Guide du skill torch-geometric pour les réseaux de neurones graphiques PyTorch Geometric. Utilisez-le pour l’aide à l’installation de torch-geometric, l’utilisation de torch-geometric, la classification de graphes, la classification de nœuds, la prédiction de liens, les graphes hétérogènes, les couches MessagePassing personnalisées et la mise à l’échelle des GNN dans des workflows de Machine Learning.

Utilisez la compétence sympy pour faire des maths symboliques exactes en Python, notamment en algèbre, calcul, matrices, formules de physique, théorie des nombres, géométrie et génération de code. Elle vous aide à conserver des expressions exactes, à choisir les bons modules SymPy et à éviter les erreurs liées aux flottants. C’est un bon choix pour celles et ceux qui cherchent un guide pratique sympy pour des workflows symboliques et sympy pour l’analyse de données.

Le skill RDKit aide à piloter avec précision des workflows de chimioinformatique : analyse de SMILES, SDF, MOL, PDB et InChI ; calcul de descripteurs ; génération d’empreintes ; recherche de sous-structures ; gestion de réactions ; et création de coordonnées 2D/3D. Utilisez ce guide RDKit pour un contrôle avancé, une sanitization personnalisée et des workflows RDKit pour l’analyse de données.

qutip est une skill Python de simulation de physique quantique pour les systèmes quantiques ouverts, la dissipation, l’évolution temporelle et l’optique quantique. Utilisez ce guide qutip pour les équations maîtresses, la dynamique de Lindblad, la décohérence, la QED en cavité, la simulation d’états et d’opérateurs, ainsi que des exemples Scientific Python. Ne convient pas à l’informatique quantique basée sur les circuits.

qiskit est un skill IBM de calcul quantique pour créer des circuits, choisir des backends, transpiler pour le matériel et exécuter des jobs sur des simulateurs ou des appareils IBM Quantum. Il convient particulièrement bien aux usages de qiskit en chimie, en optimisation et en apprentissage automatique, surtout si vous cherchez des consignes pratiques d’installation et d’exécution plutôt qu’un guide qiskit purement théorique.

paper-lookup est une skill de recherche documentaire pour la recherche académique, qui vous aide à trouver des articles scientifiques, des prépublications, des citations, des correspondances DOI/PMID, des résumés, le texte intégral et des copies en libre accès dans 10 bases de données académiques. Utilisez paper-lookup lorsque vous avez besoin de trouver la bonne source en premier, et non d’effectuer une recherche web générique. Le guide paper-lookup renvoie vers PubMed, PMC, Crossref, OpenAlex, Semantic Scholar, CORE, arXiv, bioRxiv, medRxiv et Unpaywall.

hypogenic est un outil pour générer et tester des hypothèses sur des jeux de données tabulaires ou issus de texte, avec l’aide d’un LLM. Il aide à appliquer hypogenic à l’analyse de données en transformant des questions empiriques en workflows structurés et testables pour l’interprétation de classifications, l’analyse de contenu et la détection de tromperie. À utiliser quand il vous faut des hypothèses étayées par des preuves, pas seulement du brainstorming.

La skill hugging-science vous aide à trouver et utiliser des ressources d’IA scientifique issues du catalogue Hugging Science et de l’organisation Hugging Face `hugging-science`. Elle convient aux travaux en biologie, chimie, climat, génomique, science des matériaux, astronomie et domaines proches, lorsque vous avez besoin d’un dataset, d’un modèle, d’un Space ou d’un article de blog réellement exploitable ou citable. Utilisez-la pour des workflows d’usage de hugging-science et de guide hugging-science plutôt qu’une recherche générique.

histolab est une skill Python dédiée au prétraitement des images en lame entière (WSI) en pathologie numérique. Elle prend en charge la détection de tissu, l’extraction de tuiles et la normalisation des colorations pour les lames H&E, ce qui la rend utile pour la préparation de jeux de données, l’analyse rapide par tuiles et des workflows légers d’analyse de données. Installez et utilisez histolab avec des conseils pratiques sur les masques, les tilers et la gestion des lames.

Le skill statsmodels vous aide à utiliser statsmodels pour l’analyse de données en Python quand vous avez besoin de modèles statistiques, d’inférence et de diagnostics. Il prend en charge l’ajustement de modèles OLS, GLM, pour variables discrètes, séries temporelles et modèles mixtes, avec tableaux de coefficients, p-values, intervalles de confiance et vérifications d’hypothèses. Utilisez ce guide statsmodels pour l’économétrie, la prévision et un reporting solide et défendable.

La compétence statistical-analysis vous aide à choisir, exécuter et présenter des tests défendables pour l’analyse de données, notamment les hypothèses, les tailles d’effet, la puissance statistique et les résultats au format APA. Utilisez-la pour la recherche universitaire, les expérimentations et les études observationnelles lorsque le choix du test et la clarté du compte rendu comptent davantage que le codage d’un modèle précis.

scvi-tools est un framework Python pour l’analyse probabiliste de données single-cell. Utilisez ce skill scvi-tools pour la correction de batch, les embeddings latents, l’expression différentielle avec incertitude, le transfert d’apprentissage et l’intégration multimodale. Il convient particulièrement aux workflows single-cell RNA-seq, ATAC, CITE-seq, multiome et spatiaux, surtout pour des cas d’usage avancés en Machine Learning.

scvelo est une compétence Python dédiée à l’analyse de la vélocité ARN dans les données de séquençage RNA-seq à cellule unique. Utilisez-la pour estimer les transitions d’état cellulaire à partir des ARNm épissés et non épissés, inférer la direction des trajectoires, calculer le temps latent et identifier les gènes moteurs. Elle est particulièrement utile pour l’analyse de données avec scvelo lorsque vous avez besoin d’une information directionnelle au-delà du clustering standard ou du pseudotemps.

scientific-writing est une compétence essentielle pour l’outil de recherche approfondie et de rédaction. Elle transforme des notes de recherche, des plans et des résultats de sources en prose scientifique prête à publier, avec structure IMRaD, paragraphes complets, styles de citation comme APA/AMA/Vancouver, et lignes directrices de reporting telles que CONSORT, STROBE et PRISMA. Utilisez-la pour des articles de revue, des révisions, des résumés et des brouillons prêts à soumettre.

scientific-visualization est une méta-compétence pour créer des figures prêtes à être publiées. Utilisez-la pour des graphiques de soumission à des revues avec mises en page multi-panneaux, annotations de significativité, barres d’erreur, palettes sûres pour le daltonisme et un formatage de type Nature/Science/Cell. Elle orchestre matplotlib, seaborn et plotly pour des travaux de visualisation scientifique en Data Visualization.

Créez des diaporamas et des présentations pour vos communications de recherche avec la skill scientific-slides. Utilisez-la pour des présentations en conférence, des séminaires, des soutenances de thèse, des points d’avancement en laboratoire et d’autres diaporamas scientifiques. Elle met l’accent sur un récit clair, un texte minimal, une hiérarchie visuelle nette, les citations et une structure prête à présenter, pour PowerPoint ou LaTeX Beamer.

scientific-critical-thinking aide à évaluer les affirmations scientifiques, le plan d’étude, les biais, les facteurs de confusion et la qualité des preuves. Utilisez-le pour l’analyse critique, l’appui à une revue de littérature, les contrôles GRADE ou Cochrane du risque de biais, et pour une évaluation de type Peer Review de ce qu’un article peut réellement étayer avec scientific-critical-thinking.

scholar-evaluation aide à évaluer des travaux scientifiques et de recherche à l’aide d’une grille de notation structurée couvrant la formulation du problème, la méthodologie, l’analyse, la rédaction et l’état de préparation à la publication. Utilisez-le pour la relecture académique, la planification des révisions et un retour cohérent sur des articles, propositions, revues de littérature et autres brouillons universitaires.

scientific-brainstorming est une skill d’idéation de recherche pour la réflexion scientifique ouverte. Utilisez-la pour explorer des liens interdisciplinaires, remettre en question des hypothèses, repérer des lacunes de recherche et façonner des idées de projets en phase initiale avant d’avoir un jeu de données solide ou une hypothèse finale.

Rowan est une plateforme cloud-native de modélisation moléculaire et de workflows en chimie médicinale, avec une API Python. Le skill rowan convient particulièrement à la prédiction par lots du pKa, aux ensembles de conformères et de tautomères, au docking, au cofolding, à la dynamique moléculaire, à la perméabilité et aux workflows de descripteurs, lorsque vous voulez des exécutions reproductibles et programmatiques sans gérer vous-même une infrastructure HPC ou GPU locale.

pytdc est une skill pour Therapeutics Data Commons, qui fournit des jeux de données et des benchmarks prêts pour l’IA pour la découverte de médicaments : ADME, toxicité, DTI, DDI, génération, splits par scaffold et prédiction pharmacologique.

pyopenms est une skill Python de spectrométrie de masse pour les workflows de protéomique et de métabolomique. Utilisez-la pour installer pyopenms, charger et examiner des fichiers mzML et apparentés, traiter des spectres, détecter des caractéristiques, identifier des peptides et des protéines, et construire des pipelines reproductibles d’analyse de données LC-MS/MS.

pymoo est un skill Python pour l’optimisation mono- et multi-objective, les fronts de Pareto, les problèmes sous contraintes et les tests de benchmark. Servez-vous de ce guide pymoo pour choisir des algorithmes comme NSGA-II, NSGA-III et MOEA/D, suivre le workflow d’installation et d’utilisation, et appliquer pymoo à l’analyse de données lorsque plusieurs métriques doivent être arbitrées.