Bioinformatics

torchdrug é um toolkit nativo de PyTorch para machine learning com moléculas e proteínas. Use a skill torchdrug para escolher tarefas, datasets e modelos modulares para redes neurais em grafos, modelagem de proteínas, raciocínio em grafos de conhecimento, geração molecular e retrossíntese. Ela é mais indicada para desenvolvimento de modelos customizados e configurações reproduzíveis do que para demos prontas.

O skill rdkit ajuda em fluxos de trabalho precisos de quimioinformática: análise de SMILES, SDF, MOL, PDB e InChI; cálculo de descritores; geração de fingerprints; busca por subestruturas; tratamento de reações; e criação de coordenadas 2D/3D. Use este guia do rdkit para controle avançado, sanitização personalizada e fluxos de trabalho de rdkit para análise de dados.

dnanexus-integration é uma skill prática para trabalhos de genômica na nuvem com DNAnexus. Use-a para criar apps e applets, gerenciar uploads e downloads, executar workflows e automatizar pipelines com dxpy. O guia dnanexus-integration ajuda em tarefas de Desenvolvimento Backend que envolvem arquivos FASTQ, BAM e VCF, além de configuração específica da plataforma e execução de jobs.

diffdock é uma skill de docking para prever poses de ligação entre proteína e ligante a partir de estruturas em PDB ou de sequências de proteína com ligantes em SMILES, SDF ou MOL2. Use a skill diffdock para design de fármacos baseado em estrutura, triagem virtual e análise de poses com pontuação de confiança. Ela não serve para prever afinidade de ligação.

scvi-tools é um framework em Python para análise probabilística de dados de célula única. Use esta skill do scvi-tools para correção de lote, embeddings latentes, expressão diferencial com incerteza, transfer learning e integração multimodal. Ela é uma ótima opção para fluxos de trabalho com single-cell RNA-seq, ATAC, CITE-seq, multiome e espacial, especialmente em casos de uso avançados de Machine Learning.

scvelo é um skill em Python para análise de RNA velocity em dados de RNA-seq de célula única. Use-o para estimar transições de estado celular a partir de mRNA não emendado e emendado, inferir a direção da trajetória, calcular tempo latente e identificar genes drivers. É especialmente útil para scvelo for Data Analysis quando você precisa de direção além de clustering padrão ou pseudotempo.

Skill scikit-survival para análise de sobrevivência e modelagem time-to-event em Python. Use este guia para dados censurados, modelos de Cox, random survival forests, gradient boosting, Survival SVMs e métricas de sobrevivência como concordance index e Brier score.

skill de scanpy para análise de dados de RNA-seq de célula única em Python. Use para QC, normalização, PCA, UMAP/t-SNE, clustering, descoberta de genes marcadores, análise de trajetória e gráficos com qualidade de publicação. É mais indicado para fluxos exploratórios de scRNA-seq centrados em AnnData, com orientações claras de uso e instalação do scanpy.

pyopenms é uma skill baseada em Python para espectrometria de massa em fluxos de trabalho de proteômica e metabolômica. Use-a para instalar o pyopenms, carregar e inspecionar arquivos mzML e relacionados, processar espectros, detectar features, identificar peptídeos e proteínas e montar pipelines reprodutíveis de análise de dados LC-MS/MS.

pydeseq2 é uma skill em Python para DESeq2 voltada à análise de expressão gênica diferencial em RNA-seq bulk. Use para comparar condições, ajustar desenhos experimentais com um ou vários fatores, aplicar testes de Wald e correção de FDR, e gerar gráficos volcano ou MA em fluxos de trabalho com pandas e AnnData.

Skill neuropixels-analysis para análise de registros neurais com Neuropixels. Carregue dados do SpikeGLX, Open Ephys ou NWB, faça o pré-processamento, corrija o movimento, execute a classificação de spikes, calcule métricas de गुणवत्ता e faça a curadoria de unidades para análise posterior. Ideal para quem precisa de um guia prático de neuropixels-analysis, dos arquivos brutos aos resultados prontos para publicação.

molfeat é uma skill de featurização molecular para ML e análise de dados. Ela ajuda a converter moléculas em SMILES ou do RDKit em fingerprints, descritores e embeddings pré-treinados para QSAR, virtual screening, busca por similaridade e análise de espaço químico. Use este guia do molfeat para escolher representações práticas e montar pipelines reutilizáveis de featurização.

latchbio-integration é a skill para criar e implantar fluxos de trabalho de bioinformática no Latch. Use-a para empacotar pipelines em Python com os decoradores @workflow e @task, gerenciar dados com LatchFile e LatchDir e adaptar workflows do Nextflow ou Snakemake para execução serverless.

O imaging-data-commons ajuda você a consultar e baixar dados públicos de imagem oncológica do NCI Imaging Data Commons com o idc-index. Use-o para o uso do imaging-data-commons em conjuntos de dados de CT, MR, PET e patologia, incluindo busca de metadados, pré-visualização no navegador, verificação de licenças e fluxos de trabalho de análise de dados ou treinamento de IA. Não requer autenticação.

Analise e faça a engenharia da glicosilação de proteínas com o skill de glycoengineering. Identifique sequons de N-glicosilação, estime hotspots de O-glicosilação e dê suporte à otimização de anticorpos, ao design de vacinas e aos fluxos de trabalho de Data Analysis com orientação prática para decisão.

gget é uma skill de bioinformática para acesso rápido e unificado a mais de 20 bancos de dados genômicos e ferramentas de análise via CLI ou Python. Use para informações de genes, buscas relacionadas a BLAST, estruturas do AlphaFold, dados de expressão, associações com doenças e análises no estilo enrichment. É uma boa opção para exploração rápida e fluxos de trabalho de análise de dados com gget.

geniml é uma skill para aprendizado de máquina com intervalos genômicos em arquivos BED, saídas de scATAC-seq e dados de acessibilidade da cromatina. Use-a para Region2Vec, BEDspace, scEmbed, picos consenso e outros fluxos de ML em nível de região. É uma boa opção quando você precisa de embeddings, clusterização ou orientação de pré-processamento para regiões genômicas.

O etetoolkit é um kit de ferramentas para árvores filogenéticas no fluxo de trabalho do ETE. Use o skill etetoolkit para analisar, editar, comparar, enraizar, podar e visualizar árvores em Newick, NHX, PhyloXML ou NeXML. Ele oferece suporte a filogenômica, análise de ortologia/paralogia, taxonomia do NCBI e saída em PDF ou SVG no estilo de publicação.

O depmap ajuda a analisar o Cancer Dependency Map para scores de dependência gênica de linhagens celulares de câncer, sensibilidade a drogas e perfis de efeito gênico. Use-o para identificar vulnerabilidades específicas de câncer, interações sintéticas letais e validar alvos oncológicos com um guia depmap reproduzível para Data Analysis.

A skill deeptools ajuda em fluxos de trabalho de análise de NGS no deepTools: conversão de BAM para bigWig, QC, comparação de amostras e heatmaps ou gráficos de perfil para ChIP-seq, RNA-seq, ATAC-seq e ensaios relacionados. Use-a como um guia prático de deeptools quando precisar de análise e visualização reproduzíveis via linha de comando.

Skill do cellxgene-census para consultar programaticamente o CELLxGENE Census. Use-o para explorar dados de expressão, metadados, embeddings e padrões entre conjuntos de dados em tecidos, doenças e tipos celulares. É mais indicado para análises de single-cell em escala populacional e comparações com atlas de referência; para seus próprios dados, use scanpy ou scvi-tools.

bioservices é uma skill em Python para consultar mais de 40 serviços de bioinformática por meio de uma única interface. Use-a em fluxos de trabalho que cruzam bancos de dados, mapeamento de IDs, buscas de vias metabólicas e compostos, e tarefas de desenvolvimento de backend que exigem recuperação confiável via API em UniProt, KEGG, ChEMBL, Reactome e outros.

A adaptyv ajuda você a usar a Adaptyv Bio Foundry API e o Python SDK para instalar, enviar sequências de proteínas e recuperar resultados de ensaios. Use esta skill adaptyv para desenvolvimento de APIs, configuração de autenticação, estruturação de requisições e orientações práticas para fluxos de binding, screening, thermostability, expression e fluorescence.