Scientific

PyTorch Geometric 그래프 신경망을 위한 torch-geometric 스킬 가이드입니다. torch-geometric 설치 도움, 사용법, 그래프 분류, 노드 분류, 링크 예측, 이종 그래프, 커스텀 MessagePassing 레이어, 그리고 머신러닝 워크플로에서 GNN 확장까지 다룰 때 활용하세요.

sympy 스킬로 Python에서 대수, 미적분, 행렬, 물리 공식, 수론, 기하, 코드 생성까지 정확한 기호 수학을 처리하세요. 식을 정확하게 유지하고, 적절한 SymPy 모듈을 고르며, 부동소수점 위주의 오류를 피하는 데 도움이 됩니다. 기호 워크플로와 데이터 분석용 sympy를 실용적으로 다루려는 사용자에게 특히 적합합니다.

RDKit 스킬은 정밀한 화학정보학 워크플로를 지원합니다. SMILES, SDF, MOL, PDB, InChI 파싱부터 descriptor 계산, fingerprint 생성, substructure search, 반응 처리, 2D/3D 좌표 생성까지 다룹니다. 이 RDKit 가이드는 고급 제어, 사용자 정의 sanitization, 그리고 Data Analysis 워크플로에서의 RDKit 활용에 적합합니다.

qutip은 개방계, 소산, 시간 진화, 양자 광학을 다루는 Python 양자물리 시뮬레이션 스킬입니다. 마스터 방정식, Lindblad 동역학, 디코히런스, 캐비티 QED, 상태/연산자 시뮬레이션, Scientific Python 예제가 필요할 때 이 qutip 가이드를 활용하세요. 회로 기반 양자 컴퓨팅용은 아닙니다.

qiskit은 회로를 만들고, 백엔드를 선택하고, 하드웨어에 맞게 transpile하며, 시뮬레이터 또는 IBM Quantum 디바이스에서 작업을 실행하는 데 쓰는 IBM 양자 컴퓨팅 스킬입니다. 화학, 최적화, 머신러닝에서 qiskit을 활용할 때 특히 잘 맞으며, 이론 중심의 qiskit 가이드보다 실전적인 설치 및 실행 안내가 필요할 때 유용합니다.

paper-lookup는 Academic Research를 위한 연구 검색 스킬로, 10개 학술 데이터베이스에서 논문, 프리프린트, 인용문헌, DOI/PMID 매칭, 초록, 전문, 오픈 액세스 사본을 찾는 데 도움을 줍니다. 일반 웹 검색이 아니라 먼저 정확한 출처가 필요할 때 paper-lookup usage에 사용하세요. paper-lookup 가이드는 PubMed, PMC, Crossref, OpenAlex, Semantic Scholar, CORE, arXiv, bioRxiv, medRxiv, Unpaywall을 안내합니다.

hypogenic은 LLM 지원을 바탕으로 표나 텍스트에서 파생된 데이터셋에 대해 가설을 생성하고 검증하는 skill입니다. 분류 해석, 콘텐츠 분석, 허위 탐지처럼 경험적 질문을 구조화된 검증 가능 워크플로로 바꿔 데이터 분석에서의 hypogenic을 돕습니다. 단순한 브레인스토밍이 아니라 증거에 기반한 가설이 필요할 때 사용하세요.

hugging-science 스킬은 Hugging Science 카탈로그와 `hugging-science` Hugging Face org에서 과학 AI 리소스를 찾고 활용하는 데 도움을 줍니다. 생물학, 화학, 기후, 유전체학, 소재, 천문학 등에서 실제로 실행하거나 인용할 수 있는 데이터셋, 모델, Space, 블로그 글이 필요할 때 잘 맞습니다. 일반 검색보다 hugging-science 사용법과 hugging-science 가이드 워크플로를 따라갈 때 활용하세요.

histolab은 디지털 병리에서 whole-slide image(WSI) 전처리를 위한 Python 스킬입니다. 조직 검출, 타일 추출, H&E 슬라이드의 염색 정규화를 지원해 데이터셋 준비, 빠른 타일 기반 분석, 가벼운 데이터 분석 워크플로에 유용합니다. 마스크, 타일러, 슬라이드 관리를 중심으로 histolab을 설치하고 활용하는 실용적인 가이드를 제공합니다.

statsmodels 스킬은 Python에서 데이터 분석을 할 때 통계 모형, 추론, 진단이 필요할 때 statsmodels를 활용하도록 도와줍니다. OLS, GLM, 이산형 결과, 시계열, 혼합모형까지 다루며, 계수표, p-value, 신뢰구간, 가정 점검도 함께 확인할 수 있습니다. 계량경제학, 예측, 근거 있는 보고를 위한 statsmodels 가이드로 활용하세요.

statistical-analysis 기술은 Data Analysis에서 가설검정, 회귀, 상관, 베이즈 분석까지 포함해, 어떤 검정을 선택하고 실행하며 APA 형식으로 어떻게 보고할지 판단하도록 도와줍니다. 가정 확인, 효과크기, 검정력까지 함께 다뤄야 하거나, 특정 모델을 코딩하는 것보다 시험 선택과 명확한 보고가 더 중요한 학술 연구, 실험, 관찰 연구에 적합합니다.

scvi-tools는 확률적 단일세포 분석을 위한 Python 프레임워크입니다. 이 scvi-tools 스킬은 배치 보정, 잠재 임베딩, 불확실성을 반영한 차등 발현 분석, 전이 학습, 멀티모달 통합에 유용합니다. 특히 single-cell RNA-seq, ATAC, CITE-seq, multiome, spatial 워크플로에 잘 맞으며, 고급 Machine Learning 활용 사례에서 강점이 있습니다.

scvelo는 단일세포 RNA-seq 데이터의 RNA velocity 분석을 위한 Python 기술입니다. 이를 사용해 unspliced 및 spliced mRNA로부터 세포 상태 전이를 추정하고, 궤적 방향을 유추하며, latent time을 계산하고, driver gene을 식별할 수 있습니다. 표준 클러스터링이나 pseudotime만으로는 방향성이 부족할 때, scvelo를 활용한 데이터 분석에 특히 유용합니다.

scientific-writing은 심층 연구 및 작성 도구의 핵심 스킬입니다. 연구 노트, 개요, 출처 조사 결과를 출판 가능한 수준의 과학 논문 문장으로 바꿔 주며, IMRAD 구조, 완성형 문단, APA/AMA/Vancouver 같은 인용 스타일, CONSORT·STROBE·PRISMA 같은 보고 지침을 지원합니다. 저널 논문, 수정 원고, 초록, 제출용 초안 작성에 적합합니다.

scientific-visualization은 출판용 그림 제작을 위한 메타 스킬입니다. 학술지 투고용 플롯, 멀티 패널 레이아웃, 유의성 주석, 오차막대, 색각 이상 친화 팔레트, 그리고 Nature/Science/Cell 스타일 서식이 필요한 작업에 사용하세요. matplotlib, seaborn, plotly를 함께 조율해 과학적 데이터 시각화 작업을 지원합니다.

scientific-slides 스킬로 연구 발표용 슬라이드 덱과 프레젠테이션을 만드세요. 학회 발표, 세미나 발표, 논문 심사, 랩 업데이트, 그 밖의 과학 슬라이드 덱에 적합합니다. 핵심은 명확한 서사, 최소한의 텍스트, 시각적 위계, 인용, 그리고 PowerPoint나 LaTeX Beamer에 바로 쓸 수 있는 발표용 구성입니다.

scientific-critical-thinking는 과학적 주장, 연구 설계, 편향, 교란 요인, 증거의 질을 평가하는 데 도움이 됩니다. 비판적 분석, 문헌 검토 지원, GRADE 또는 Cochrane 위험도 편향 검토, 그리고 논문이 실제로 무엇을 뒷받침할 수 있는지 Peer Review 스타일로 판단할 때 활용하세요.

scholar-evaluation은 문제 설정, 방법론, 분석, 글쓰기, 출판 준비도까지 구조화된 채점으로 학술 및 연구 산출물을 평가하는 데 도움을 줍니다. 논문, 제안서, 문헌고찰, 기타 학술 초안의 검토, 수정 계획 수립, 일관된 피드백 제공에 활용할 수 있습니다.

scientific-brainstorming은 개방형 과학적 사고를 위한 연구 아이데이션 스킬입니다. 학제 간 연결을 탐색하고, 가정을 검토하며, 연구 공백을 찾아내고, 아직 촘촘한 데이터나 최종 가설이 없을 때 초기 단계의 프로젝트 아이디어를 다듬는 데 활용하세요.

Rowan은 Python API를 갖춘 클라우드 네이티브 분자 모델링 및 의약화학 워크플로 플랫폼입니다. rowan 스킬은 로컬 HPC나 GPU 인프라를 직접 관리하지 않고도 재현 가능한 프로그래밍 방식 실행이 필요할 때, 배치 pKa 예측, 컨포머·타우토머 앙상블, 도킹, 코폴딩, 분자 동역학, 투과성, 디스크립터 워크플로에 가장 적합합니다.

pytdc는 Therapeutics Data Commons를 위한 스킬로, ADME, 독성, DTI, DDI, 생성, scaffold 분할, 약리 예측에 바로 사용할 수 있는 약물 발견 데이터셋과 벤치마크를 제공합니다.

pyopenms는 프로테오믹스와 메타볼로믹스 워크플로를 위한 Python 기반 질량분석 스킬입니다. pyopenms를 설치하고, mzML 및 관련 파일을 불러와 검토하며, 스펙트럼을 처리하고, 피처를 검출하고, 펩타이드와 단백질을 식별하고, 재현 가능한 LC-MS/MS 데이터 분석 파이프라인을 구축하는 데 사용할 수 있습니다.

pymoo는 단일 목적 및 다중 목적 최적화, 파레토 프런트, 제약 조건이 있는 문제, 벤치마크 테스트를 위한 Python 스킬입니다. 이 pymoo 가이드를 통해 NSGA-II, NSGA-III, MOEA/D 같은 알고리즘을 선택하고, 설치 및 사용 워크플로를 따라가며, 여러 지표의 균형이 필요할 때 Data Analysis에 pymoo를 활용해 보세요.

PyMC는 Python에서 확률적 모델을 구축, 적합, 점검, 비교하는 데 쓰는 베이지안 모델링 스킬입니다. pymc는 계층적 회귀, 다층 분석, 시계열, 결측값, 측정 오차, 그리고 LOO 또는 WAIC를 활용한 모델 비교에 사용하세요.