Bioinformatics

torchdrug est une boîte à outils native PyTorch pour le machine learning des molécules et des protéines. Utilisez le skill torchdrug pour choisir les tâches, les jeux de données et les modèles modulaires dédiés aux graph neural networks, à la modélisation des protéines, au raisonnement sur les knowledge graphs, à la génération moléculaire et à la rétrosynthèse. Il convient surtout au développement de modèles sur mesure et à des configurations reproductibles, pas seulement à des démonstrations prêtes à l’emploi.

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.

dnanexus-integration est une compétence pratique pour les workflows de génomique cloud sur DNAnexus. Servez-vous-en pour créer des apps et applets, gérer les importations et exportations, exécuter des workflows et automatiser des pipelines avec dxpy. Le guide dnanexus-integration aide pour les tâches de développement backend impliquant des fichiers FASTQ, BAM et VCF, ainsi que la configuration spécifique à la plateforme et l’exécution des jobs.

diffdock est un skill de docking pour prédire les poses de liaison protéine-ligand à partir de structures PDB ou de séquences protéiques, avec des ligands en SMILES, SDF ou MOL2. Utilisez le skill diffdock pour la conception de médicaments fondée sur la structure, le criblage virtuel et l’analyse de poses avec score de confiance. Il ne sert pas à prédire l’affinité de liaison.

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.

Skill scikit-survival pour l’analyse de survie et la modélisation du temps avant événement en Python. Utilisez ce guide pour les données censurées, les modèles de Cox, les forêts de survie aléatoires, le gradient boosting, les Survival SVM et des métriques de survie comme l’indice de concordance et le score de Brier.

skill scanpy pour l’analyse de données RNA-seq single-cell en Python. Utilisez-le pour le contrôle qualité, la normalisation, la PCA, UMAP/t-SNE, le clustering, l’identification de gènes marqueurs, l’analyse de trajectoire et des graphiques de qualité publication. Idéal pour les workflows exploratoires de scRNA-seq centrés sur AnnData, avec des indications claires sur l’usage de scanpy et son installation.

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.

pydeseq2 est une skill Python DESeq2 pour l’analyse différentielle de l’expression génique sur des données bulk RNA-seq. Utilisez-la pour comparer des conditions, ajuster des modèles à un ou plusieurs facteurs, appliquer des tests de Wald et une correction FDR, puis générer des graphiques volcano ou MA dans des workflows pandas et AnnData.

Skill neuropixels-analysis pour l’analyse d’enregistrements neuronaux Neuropixels. Chargez des données SpikeGLX, Open Ephys ou NWB, prétraitez-les, corrigez les mouvements, lancez le spike sorting, calculez des métriques de qualité et curationnez les unités pour l’analyse des données en aval. Idéal pour les utilisateurs qui ont besoin d’un guide pratique neuropixels-analysis, des fichiers bruts jusqu’à des résultats prêts pour publication.

molfeat est un skill de featurisation moléculaire pour le ML et l’analyse de données. Il aide à convertir des molécules SMILES ou RDKit en fingerprints, descripteurs et embeddings préentraînés pour le QSAR, le criblage virtuel, la recherche de similarité et l’analyse de l’espace chimique. Utilisez ce guide molfeat pour choisir des représentations pratiques et construire des pipelines de featurisation réutilisables.

latchbio-integration est le skill pour créer et déployer des workflows de bioinformatique sur Latch. Utilisez-le pour empaqueter des pipelines Python avec les décorateurs @workflow et @task, gérer les données LatchFile et LatchDir, et adapter des workflows Nextflow ou Snakemake à une exécution serverless.

imaging-data-commons vous aide à interroger et télécharger des données publiques d’imagerie du cancer du NCI Imaging Data Commons avec idc-index. Utilisez-le pour travailler avec imaging-data-commons sur des jeux de données CT, IRM, PET et pathologie, notamment pour la recherche de métadonnées, l’aperçu dans le navigateur, les vérifications de licence et les workflows d’analyse de données ou d’entraînement IA. Aucune authentification requise.

Analysez et concevez la glycosylation des protéines avec le skill de glycoengineering. Identifiez les séquons de N-glycosylation, estimez les zones à forte probabilité de O-glycosylation et appuyez l’optimisation d’anticorps, la conception de vaccins et les workflows d’analyse de données en glycoengineering grâce à des conseils pratiques pour orienter vos décisions.

gget est une skill de bioinformatique pour accéder rapidement et de façon unifiée à plus de 20 bases de données génomiques et outils d’analyse depuis le CLI ou Python. Utilisez-la pour obtenir des informations sur les gènes, faire des recherches liées à BLAST, consulter des structures AlphaFold, des données d’expression, des associations avec des maladies et des analyses de type enrichment. Elle convient bien à l’exploration rapide et aux workflows d’analyse de données avec gget.

geniml est un skill dédié au machine learning sur intervalles génomiques à partir de fichiers BED, de sorties scATAC-seq et de données d’accessibilité de la chromatine. Utilisez-le pour Region2Vec, BEDspace, scEmbed, les consensus peaks et d’autres workflows de ML au niveau des régions. C’est un bon choix si vous avez besoin d’embeddings, de clustering ou d’aide au prétraitement pour des régions génomiques.

etetoolkit est une boîte à outils pour arbres phylogénétiques destinée aux workflows ETE. Utilisez la skill etetoolkit pour analyser, modifier, comparer, enraciner, élaguer et visualiser des arbres au format Newick, NHX, PhyloXML ou NeXML. Elle prend en charge la phylogénomique, l'analyse orthologie/paralogie, la taxonomie NCBI, ainsi que des sorties PDF ou SVG prêtes pour la publication.

depmap aide à analyser le Cancer Dependency Map pour les scores de dépendance des lignées cellulaires cancéreuses, la sensibilité aux médicaments et les profils d’effet génique. Utilisez-le pour repérer des vulnérabilités spécifiques au cancer, des interactions de létalité synthétique et valider des cibles thérapeutiques en oncologie grâce à un guide depmap reproductible pour l’analyse de données.

La skill deeptools aide à gérer les workflows d’analyse NGS dans deepTools : conversion BAM vers bigWig, contrôle qualité, comparaison d’échantillons, et heatmaps ou graphiques de profil pour ChIP-seq, RNA-seq, ATAC-seq et autres essais connexes. Utilisez-la comme guide deeptools pratique lorsque vous avez besoin d’analyses et de visualisations reproductibles en ligne de commande.

Skill cellxgene-census pour interroger programmétiquement le CELLxGENE Census. Utilisez-le pour explorer des données d’expression, des métadonnées, des embeddings et des motifs inter-jeux de données à travers tissus, maladies et types cellulaires. Idéal pour l’analyse de cellules uniques à l’échelle de populations et la comparaison d’atlas de référence ; pour vos propres données, utilisez scanpy ou scvi-tools.

bioservices est un skill Python pour interroger plus de 40 services de bioinformatique via une seule interface. Utilisez-le pour des workflows croisant plusieurs bases de données, le mapping d’identifiants, les recherches de voies et de composés, ainsi que pour des tâches de développement backend qui exigent des récupérations fiables via API sur UniProt, KEGG, ChEMBL, Reactome, et bien plus encore.

adaptyv vous aide à utiliser l’API Adaptyv Bio Foundry et le SDK Python pour l’installation, la soumission de séquences protéiques et la récupération des résultats d’essai. Utilisez ce skill adaptyv pour le développement API, la configuration de l’authentification, la structuration des requêtes et des conseils pratiques sur les workflows de liaison, de criblage, de thermostabilité, d’expression et de fluorescence.