Scientific

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.

optimize-for-gpu aide à faire passer du Python limité par le CPU vers du code NVIDIA GPU, en choisissant la bonne bibliothèque. Utilisez-le pour les tableaux, les dataframes, les pipelines ML, l’analyse de graphes, l’imagerie, les traitements géospatiaux, la recherche vectorielle et les noyaux personnalisés. Il guide les choix entre CuPy, cuDF, cuML, cuGraph, cuCIM, cuVS, KvikIO, Numba CUDA et Warp, avec des conseils pratiques d’utilisation de optimize-for-gpu et de migration.

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.

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.

scientific-schematics transforme des requêtes en langage naturel en schémas scientifiques prêts à publier, avec un affinement itératif intelligent. Le skill s’appuie sur Nano Banana 2 pour la génération et Gemini 3.1 Pro Preview pour la relecture, puis ne régénère que si le résultat passe sous le seuil adapté à votre type de document. Il est conçu pour les architectures de réseaux de neurones, les schémas système, les organigrammes, les voies biologiques et d’autres visuels scientifiques complexes.

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.

La compétence research-grants aide à transformer une idée de recherche encore brute en proposition prête à soumettre pour la NSF, les NIH, le DOE, la DARPA ou le NSTC de Taïwan. Elle facilite l’adéquation avec le financeur, la structuration conforme, la justification budgétaire, l’alignement sur les critères d’évaluation et la rédaction des différentes sections pour les chercheurs principaux, les postdoctorants et les rédacteurs techniques.

protocolsio-integration est une skill d’intégration à l’API protocols.io pour gérer des protocoles scientifiques par programme. Utilisez-la pour la recherche, la création, la mise à jour, la publication, l’édition des étapes, l’organisation des espaces de travail, les commentaires et la gestion des fichiers. Elle est particulièrement utile pour protocolsio-integration en développement backend, l’automatisation de workflows et l’utilisation reproductible de protocols.io.

La compétence peer-review vous aide à rédiger des évaluations formelles et fondées sur des preuves de manuscrits et de demandes de subvention. Utilisez-la pour examiner la méthodologie, les statistiques, la reproductibilité, l’éthique et les normes de reporting comme CONSORT, STROBE ou PRISMA, avec des retours constructifs que les auteurs et les éditeurs peuvent exploiter.

parallel-web est une skill de recherche et d’extraction web propulsée par parallel-cli. Elle vous aide à rechercher sur le web, extraire le contenu d’URL, enrichir des données à partir de sources et mener des recherches approfondies en privilégiant les sources académiques et scientifiques. Utilisez-la pour l’usage de parallel-web, la recherche web, les citations et les workflows fondés sur les preuves.

paperzilla est un skill chat et CLI pour travailler avec les projets Paperzilla, les recommandations, les articles canoniques, les résumés Markdown, les retours et l’export de flux. Utilisez-le lorsque vous avez besoin d’un accès direct aux données Paperzilla pour la recherche académique, et pas seulement d’un résumé générique. Il aide pour l’usage de paperzilla, les tâches du guide paperzilla et la production de sorties structurées.

Skill matplotlib pour le traçage en Python, avec un contrôle complet sur les axes, les libellés, les légendes, les mises en page et les formats d’export. À utiliser pour les figures scientifiques, les analyses multi-panneaux, les types de graphiques personnalisés et les visualisations reproductibles lorsque vous avez besoin de plus de précision qu’un prompt de graphique générique. C’est un guide solide sur matplotlib pour l’analyse de données et des graphiques prêts pour la publication.

markdown-mermaid-writing est une compétence de rédaction Markdown et de diagrammes Mermaid pour la documentation scientifique et technique. Utilisez-la pour transformer des workflows, architectures, analyses et rapports en documentation éditable, orientée texte, avec des diagrammes clairs, une bonne compatibilité avec le contrôle de version et des usages pratiques de markdown-mermaid-writing pour la rédaction technique.

latex-posters vous aide à créer des posters de recherche professionnels en LaTeX pour des conférences, des symposiums, des soutenances de thèse et de la communication scientifique. Il couvre des workflows adaptés à beamerposter, tikzposter et baposter, avec des conseils sur la mise en page, la hiérarchie visuelle, les figures, les citations et une conception prête à l’impression.

La compétence literature-review prend en charge des workflows systématiques de revue de littérature pour Academic Research, notamment la recherche de sources, la vérification des citations, la synthèse thématique et la production de livrables soignés en Markdown ou en PDF. Utilisez-la pour les tâches de guide de revue de littérature, les méta-analyses, les revues de cadrage et les notes de synthèse de recherche dans les domaines scientifiques et techniques.

Le skill lamindb vous aide à travailler avec LaminDB, un framework open source pour les données biologiques, conçu pour rendre les données interrogeables, traçables, reproductibles et conformes aux principes FAIR. Utilisez-le pour lamindb dans l’analyse de données, la curation des métadonnées, l’annotation fondée sur des ontologies, la validation de schéma et les workflows sensibles à la lignée des données dans les notebooks et les pipelines.

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.

Le skill infographies vous aide à créer des visuels prêts à publier à partir d’un sujet, d’un jeu de données ou d’un récit. Il prend en charge des infographies pour la visualisation de données avec génération Nano Banana Pro, contrôle qualité Gemini 3 Pro, recherche optionnelle, palettes accessibles et amélioration itérative pour le marketing, les rapports, les chronologies, les comparaisons et les formats social media.

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.

get-available-resources vérifie le CPU, le GPU, la mémoire et le disque avant les workflows scientifiques lourds ou les tâches de ML. Il renvoie un instantané des ressources et des recommandations concrètes pour le traitement parallèle, l’accélération GPU ou des approches économes en mémoire, afin d’aider les agents à faire de meilleurs choix d’exécution pour l’automatisation des workflows.

Le skill exploratory-data-analysis transforme des fichiers scientifiques en rapports d’EDA adaptés au format. Il détecte le type de fichier, résume la structure et la qualité, extrait les métadonnées clés et suggère les analyses à poursuivre. Utilisez-le pour l’exploratory-data-analysis dans l’analyse de données, en chimie, bioinformatique, microscopie, spectroscopie, protéomique, métabolomique et d’autres formats de fichiers scientifiques.

exa-search est un skill de recherche web propulsé par Exa, conçu pour trouver des informations à jour et extraire du contenu depuis des URLs. Utilisez-le pour la recherche web, la découverte de sources, l’extraction d’articles et de PDF, ainsi que pour des recherches techniques ou scientifiques grâce à une récupération sémantique, un filtrage de type académique et des indications claires d’installation et d’utilisation.

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.