Bioinformatics

torchdrug는 분자 및 단백질 머신러닝을 위한 PyTorch 네이티브 툴킷입니다. torchdrug 스킬을 사용해 그래프 신경망, 단백질 모델링, 지식 그래프 추론, 분자 생성, 역합성에 맞는 작업, 데이터셋, 모듈형 모델을 선택하세요. 단순한 데모가 아니라, 커스텀 모델 개발과 재현 가능한 설정에 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.

dnanexus-integration은 DNAnexus 클라우드 유전체학 작업에 유용한 실전형 스킬입니다. 앱과 applet을 만들고, 업로드와 다운로드를 관리하며, dxpy로 워크플로를 실행하고 파이프라인을 자동화하는 데 사용할 수 있습니다. dnanexus-integration 가이드는 FASTQ, BAM, VCF 파일은 물론 플랫폼별 설정과 작업 실행이 포함된 Backend Development 업무에 도움이 됩니다.

DiffDock는 PDB 구조 또는 단백질 서열과 SMILES, SDF, MOL2 형식의 리간드를 바탕으로 단백질-리간드 결합 포즈를 예측하는 도킹 기술입니다. 구조 기반 신약 설계, 가상 스크리닝, 신뢰도 점수가 포함된 포즈 분석에 DiffDock 기술을 활용할 수 있습니다. 결합 친화도 예측 용도는 아닙니다.

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.

Python에서 생존 분석과 이벤트 발생 시간(time-to-event) 모델링을 위한 scikit-survival 스킬입니다. 검열 데이터, Cox 모델, 랜덤 서바이벌 포레스트, 그래디언트 부스팅, Survival SVM, 그리고 concordance index와 Brier score 같은 생존 지표를 다룰 때 이 가이드를 활용하세요.

Python에서 단일세포 RNA-seq 데이터를 분석하는 scanpy 스킬입니다. QC, 정규화, PCA, UMAP/t-SNE, 군집화, 마커 유전자 탐색, 궤적 분석, 출판용 품질의 플롯에 활용하세요. AnnData를 중심으로 구성된 탐색적 scRNA-seq 워크플로에 가장 적합하며, scanpy 사용법과 설치 안내도 함께 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.

pydeseq2는 bulk RNA-seq 차등 발현 분석을 위한 Python DESeq2 스킬입니다. 조건 비교, 단일/다중 요인 설계 적합, Wald 검정과 FDR 보정 적용, pandas 및 AnnData 워크플로우에서 volcano/MA plot 생성에 활용할 수 있습니다.

Neuropixels 신경 기록 분석을 위한 neuropixels-analysis 스킬입니다. SpikeGLX, Open Ephys 또는 NWB 데이터를 불러와 전처리하고, motion correction을 적용한 뒤, spike sorting을 실행하고, 품질 지표를 계산하며, 후속 데이터 분석을 위한 unit curation까지 수행합니다. 원본 파일부터 출판 가능한 결과까지 실무적으로 안내하는 neuropixels-analysis 가이드가 필요한 사용자에게 적합합니다.

molfeat은 ML과 데이터 분석을 위한 분자 피처화 스킬입니다. SMILES나 RDKit 분자를 fingerprint, descriptor, pretrained embedding으로 변환해 QSAR, virtual screening, similarity search, chemical space analysis에 활용할 수 있습니다. 이 molfeat 가이드는 실무에 맞는 표현 방식을 고르고 재사용 가능한 피처화 파이프라인을 만드는 데 도움을 줍니다.

latchbio-integration은 Latch에서 생물정보학 워크플로를 구축하고 배포하기 위한 skill입니다. `@workflow`와 `@task` 데코레이터로 Python 파이프라인을 패키징하고, `LatchFile`과 `LatchDir` 데이터를 관리하며, Nextflow나 Snakemake 워크플로를 서버리스 실행에 맞게 조정할 때 사용합니다.

imaging-data-commons는 idc-index를 사용해 NCI Imaging Data Commons의 공개 암 연구 영상 데이터를 조회하고 다운로드할 수 있게 도와줍니다. CT, MR, PET, 병리 데이터셋 전반에서 imaging-data-commons를 활용할 수 있으며, 메타데이터 검색, 브라우저 미리보기, 라이선스 확인, AI 학습 또는 데이터 분석 워크플로까지 지원합니다. 인증은 필요하지 않습니다.

glycoengineering 스킬로 단백질 글리코실화를 분석하고 설계하세요. N-글리코실화 sequon을 식별하고 O-글리코실화 핫스팟을 추정하며, 항체 최적화, 백신 설계, 데이터 분석 워크플로를 위한 glycoengineering을 실무적인 판단 가이드와 함께 지원합니다.

gget은 CLI 또는 Python에서 20개 이상의 유전체 데이터베이스와 분석 도구에 빠르고 통합적으로 접근할 수 있는 생물정보학 스킬입니다. 유전자 정보, BLAST 관련 조회, AlphaFold 구조, 발현 데이터, 질병 연관성, enrichment 스타일 분석에 활용할 수 있습니다. 빠른 탐색과 gget 기반 데이터 분석 워크플로에 잘 맞습니다.

geniml은 BED 파일, scATAC-seq 출력, 그리고 염색질 접근성 데이터에 대한 유전체 구간 머신러닝용 스킬입니다. Region2Vec, BEDspace, scEmbed, consensus peaks 등 구간 수준 ML 워크플로에 활용할 수 있습니다. 유전체 구간의 임베딩, 클러스터링, 전처리 가이드가 필요할 때 적합합니다.

etetoolkit은 ETE 워크플로우를 위한 계통수 툴킷입니다. etetoolkit 스킬을 사용하면 Newick, NHX, PhyloXML, NeXML 형식의 트리를 파싱, 편집, 비교, 루팅, 가지치기, 시각화할 수 있습니다. 또한 phylogenomics, orthology/paralogy 분석, NCBI taxonomy, 출판용 PDF 또는 SVG 출력도 지원합니다.

depmap은 암 의존성 지도(Cancer Dependency Map)를 분석해 암 세포주 유전자 의존성 점수, 약물 민감도, 유전자 효과 프로필을 파악하는 데 도움을 줍니다. 이를 통해 암 특이적 취약점과 합성 치사 상호작용을 식별하고, 재현 가능한 depmap 가이드를 바탕으로 종양학 약물 타깃을 검증할 수 있습니다.

deeptools 스킬은 deepTools 기반 NGS 분석 워크플로를 도와줍니다. BAM을 bigWig로 변환하고, QC를 수행하고, 샘플을 비교하며, ChIP-seq, RNA-seq, ATAC-seq 및 관련 실험의 히트맵이나 프로파일 플롯을 만드는 데 유용합니다. 재현 가능한 명령줄 분석과 시각화가 필요할 때 실용적인 deeptools 가이드로 활용하세요.

CELLxGENE Census를 프로그래밍 방식으로 조회하기 위한 cellxgene-census 스킬입니다. 발현 데이터, 메타데이터, 임베딩, 그리고 조직·질병·세포 유형 전반의 교차 데이터셋 패턴을 탐색할 때 유용합니다. 대규모 단일세포 분석과 레퍼런스 아틀라스 비교에 가장 적합하며, 직접 보유한 데이터에는 `scanpy` 또는 `scvi-tools`를 사용하는 것이 좋습니다.

bioservices는 하나의 인터페이스로 40개 이상의 바이오인포매틱스 서비스를 조회할 수 있는 Python 스킬입니다. UniProt, KEGG, ChEMBL, Reactome 등 여러 데이터베이스를 넘나드는 워크플로, ID 매핑, 경로 및 화합물 조회, 그리고 안정적인 API 기반 검색이 필요한 백엔드 개발 작업에 적합합니다.

adaptyv는 Adaptyv Bio Foundry API와 Python SDK를 활용해 설치하고, 단백질 서열을 제출하고, 분석 결과를 조회하는 데 도움을 줍니다. 이 adaptyv 스킬은 API 개발, 인증 설정, 요청 구성, 그리고 결합, 스크리닝, 열안정성, 발현, 형광 워크플로에 대한 실무 가이드를 제공할 때 적합합니다.