Scientific

PyTorch Geometric のグラフニューラルネットワーク向け torch-geometric スキルガイドです。torch-geometric のインストール支援、torch-geometric の使い方、グラフ分類、ノード分類、リンク予測、異種グラフ、カスタム MessagePassing レイヤー、Machine Learning ワークフローでの GNN のスケーリングに役立ちます。

sympyスキルを使って、Pythonでの厳密なシンボリック計算を行えます。代数、微積分、行列、物理式、数論、幾何、コード生成まで幅広く対応。式を厳密に保ち、適切なSymPyモジュールを選び、浮動小数点中心の誤りを避けるのに役立ちます。シンボリックなワークフローやData Analysisでのsympy活用を実践的に学びたい人に最適です。

rdkit skill は、SMILES、SDF、MOL、PDB、InChI の解析、記述子の計算、フィンガープリント生成、部分構造検索、反応処理、2D/3D 座標の生成など、精密な化学情報ワークフローを支援します。高度な制御、カスタムサニタイズ、Data Analysis ワークフローでの rdkit 活用を確認したい場合に使えるガイドです。

qutip は、開放量子系、散逸、時間発展、量子光学に対応した Python の量子物理シミュレーションスキルです。マスター方程式、Lindblad ダイナミクス、デコヒーレンス、キャビティ QED、状態・演算子シミュレーション、Scientific Python の例を扱うなら、この qutip ガイドを使ってください。回路ベースの量子計算には向きません。

qiskit は、回路の作成、バックエンドの選択、ハードウェア向けのトランスパイル、シミュレーターや IBM Quantum デバイスでのジョブ実行を行うための IBM 量子コンピューティングスキルです。化学、最適化、機械学習で qiskit を使いたいときに特に相性がよく、理論中心の qiskit ガイドよりも、実際に導入して動かすための手順を求める場合に向いています。

paper-lookup は Academic Research 向けの文献検索スキルです。学術論文、プレプリント、引用情報、DOI/PMID の一致、要旨、全文、オープンアクセス版を 10 の学術データベース横断で見つけるのに役立ちます。汎用のウェブ検索ではなく、まず適切な出典を押さえたいときの paper-lookup 利用に向いています。paper-lookup のガイドは、PubMed、PMC、Crossref、OpenAlex、Semantic Scholar、CORE、arXiv、bioRxiv、medRxiv、Unpaywall を参照します。

hypogenic は、LLM の支援で表形式データやテキスト由来データセットの仮説を生成・検証するためのスキルです。データ分析における hypogenic を、経験的な問いを分類解釈、コンテンツ分析、欺瞞検出向けの構造化された検証可能なワークフローへと落とし込みます。単なるブレストではなく、根拠に基づく仮説が必要な場面で使ってください。

hugging-scienceスキルは、Hugging Scienceカタログと `hugging-science` の Hugging Face org から、科学分野のAIリソースを見つけて活用するのに役立ちます。生物学、化学、気候、ゲノム、材料、天文学など、実際に実行・引用できるデータセット、モデル、Space、ブログ記事が必要な場面に向いています。一般的な検索の代わりに、hugging-science の使い方や hugging-science ガイドのワークフローに使ってください。

histolab は、デジタル病理における全スライド画像（WSI）前処理のための Python スキルです。組織検出、タイル抽出、H&E スライドの染色正規化に対応しており、データセット準備、タイルベースの簡易解析、軽量なデータ分析ワークフローに役立ちます。マスク、tilers、スライド管理を実務的に扱いながら、histolab を導入・活用できます。

statsmodelsスキルは、Pythonでのデータ分析において、統計モデル、推定、診断が必要なときにstatsmodelsを使いこなすのを助けます。OLS、GLM、離散型アウトカム、時系列、混合モデルまで対応し、係数表、p値、信頼区間、仮定チェックも扱えます。計量経済学、予測、説明責任のあるレポーティングに、このstatsmodelsガイドを活用してください。

statistical-analysis スキルは、Data Analysis における検定の選定・実行・報告を支援します。前提条件、効果量、検出力、APA スタイルの結果表記まで含め、根拠ある分析を進めやすくします。学術研究、実験、観察研究などで、特定モデルのコーディングよりも検定選択と明確な報告が重要な場面に向いています。

scvi-tools は、確率的なシングルセル解析のための Python フレームワークです。この scvi-tools スキルは、バッチ補正、潜在埋め込み、不確実性つき差次的発現、転移学習、マルチモーダル統合に活用できます。single-cell RNA-seq、ATAC、CITE-seq、multiome、空間解析のワークフローに特に適しており、高度な Machine Learning のユースケースでは特に強みを発揮します。

scvelo は、単一細胞 RNA-seq データにおける RNA velocity 解析のための Python スキルです。未スプライス／スプライス済み mRNA から細胞状態遷移を推定し、軌道の方向性を推論し、latent time を算出し、driver genes を特定するのに使えます。標準的なクラスタリングや pseudotime だけでは方向性が足りない Data Analysis での scvelo に特に有用です。

scientific-writing は、深いリサーチとライティングのためのツールにおける中核スキルです。調査メモ、アウトライン、収集した情報を、IMRAD 構成、完全な段落、APA/AMA/Vancouver などの引用スタイル、CONSORT・STROBE・PRISMA といった報告ガイドラインに沿った、投稿可能な科学論文の文章へ変換します。学術論文、改稿、アブストラクト、投稿直前のドラフト作成に最適です。

scientific-visualization は、掲載レベルの図を作るためのメタスキルです。ジャーナル投稿向けのプロット、複数パネルのレイアウト、有意差注記、エラーバー、色覚多様性に配慮した配色、Nature/Science/Cell 風の書式設定に使えます。matplotlib、seaborn、plotly を連携させて、Data Visualization の科学図版作成を支援します。

scientific-slides スキルを使って、研究発表用のスライドデッキやプレゼンテーションを作成できます。学会発表、セミナー講演、学位論文 الدفاع、ラボ報告など、科学系のスライド作成に最適です。明快なストーリー、最小限のテキスト、視覚的な階層、引用の明示、そして PowerPoint や LaTeX Beamer でそのまま発表できる構成を重視しています。

scientific-critical-thinkingは、科学的主張、研究デザイン、バイアス、交絡、エビデンスの質を評価するのに役立ちます。批判的分析、文献レビューの支援、GRADEやCochraneのリスク・オブ・バイアス確認、論文が実際に何を支持できるのかをPeer Review風に見極める科学的批判的思考に使えます。

scholar-evaluation は、問題設定、方法論、分析、文章表現、掲載準備までを構造化されたスコアリングで評価し、学術研究や研究成果の品質を見極めるのに役立ちます。論文、研究計画書、文献レビュー、その他の学術ドラフトの査読、改善計画、一貫したフィードバックに活用できます。

scientific-brainstormingは、オープンエンドな科学的思考のための研究アイデア発想スキルです。分野横断のつながりを探り、前提を問い直し、研究ギャップを見つけ、まだデータが十分に揃っていない段階や最終仮説が固まっていない段階のプロジェクト案を形にするのに役立ちます。

Rowanは、Python APIを備えたクラウドネイティブな分子モデリング／創薬化学ワークフロープラットフォームです。rowan skillは、再現性のあるプログラム実行を行いたいときに、ローカルのHPCやGPUインフラを自前で管理せずに、バッチのpKa予測、コンフォーマー／タウトマー集合、ドッキング、コフォールディング、分子動力学、透過性、記述子ワークフローを扱う用途に最適です。

pytdc は Therapeutics Data Commons 向けのスキルで、ADME、毒性、DTI、DDI、生成、scaffold split、薬理予測のための、AIでそのまま扱いやすい創薬データセットとベンチマークを提供します。

pyopenms は、プロテオミクスやメタボロミクスのワークフロー向けに使える、Python ベースの質量分析スキルです。pyopenms のインストール、mzML や関連ファイルの読み込みと確認、スペクトル処理、特徴量検出、ペプチド・タンパク質同定、再現性のある LC-MS/MS データ解析パイプラインの構築に使えます。

pymooは、単一目的・多目的最適化、Paretoフロント、制約付き問題、ベンチマークテストに使えるPythonスキルです。このpymooガイドでは、NSGA-II、NSGA-III、MOEA/Dなどのアルゴリズムの選び方、インストールと使用の流れ、そして複数の指標を両立させたいData Analysisでのpymooの活用方法を確認できます。

PyMCは、Pythonでベイズモデルを構築・推定・検証・比較するためのスキルです。pymcは、階層回帰、マルチレベル分析、時系列、欠損データ、測定誤差、LOOやWAICによるモデル比較に使えます。