Scientific

Hướng dẫn skill torch-geometric cho mạng nơ-ron đồ thị PyTorch Geometric. Dùng để được hỗ trợ cài đặt torch-geometric, cách sử dụng torch-geometric, phân loại đồ thị, phân loại nút, dự đoán liên kết, đồ thị dị thể, các lớp MessagePassing tùy chỉnh và mở rộng GNN cho quy trình Machine Learning.

Dùng sympy để làm toán học ký hiệu chính xác trong Python, bao gồm đại số, giải tích, ma trận, công thức vật lý, lý thuyết số, hình học và sinh mã. Skill này giúp bạn giữ biểu thức ở dạng chính xác, chọn đúng module của SymPy và tránh các lỗi thường gặp khi phụ thuộc quá nhiều vào số thực. Phù hợp nhất cho người cần một hướng dẫn sympy thực dụng cho quy trình làm việc ký hiệu và sympy cho phân tích dữ liệu.

Kỹ năng rdkit hỗ trợ các quy trình cheminformatics chính xác: phân tích cú pháp SMILES, SDF, MOL, PDB và InChI; tính toán descriptor; tạo fingerprint; chạy tìm kiếm substructure; xử lý phản ứng; và xây dựng tọa độ 2D/3D. Hãy dùng hướng dẫn rdkit này khi cần kiểm soát nâng cao, sanitization tùy chỉnh, và quy trình rdkit cho phân tích dữ liệu.

qutip là một skill Python mô phỏng vật lý lượng tử cho hệ lượng tử mở, suy hao, tiến hóa theo thời gian và quang học lượng tử. Dùng hướng dẫn qutip này cho phương trình master, động lực Lindblad, suy giảm kết hợp, QED trong hốc cộng hưởng, mô phỏng trạng thái/toán tử và các ví dụ Scientific Python. Không dành cho điện toán lượng tử dựa trên mạch.

qiskit là một kỹ năng điện toán lượng tử của IBM để xây dựng mạch, chọn backend, transpile cho phần cứng và chạy job trên simulator hoặc thiết bị IBM Quantum. Đây là lựa chọn phù hợp khi dùng qiskit trong hóa học, tối ưu hóa và machine learning, đặc biệt nếu bạn cần hướng dẫn cài đặt và chạy thực tế thay vì một tài liệu qiskit chỉ thiên về lý thuyết.

paper-lookup là một skill truy xuất nghiên cứu dành cho Academic Research, giúp bạn tìm bài báo khoa học, bản preprint, trích dẫn, đối sánh DOI/PMID, tóm tắt, toàn văn và các bản truy cập mở trên 10 cơ sở dữ liệu học thuật. Hãy dùng paper-lookup khi bạn cần đúng nguồn trước tiên, thay vì tìm kiếm web chung chung. Hướng dẫn paper-lookup dẫn tới PubMed, PMC, Crossref, OpenAlex, Semantic Scholar, CORE, arXiv, bioRxiv, medRxiv và Unpaywall.

hypogenic là một skill để tạo và kiểm tra giả thuyết trên các tập dữ liệu dạng bảng hoặc dữ liệu trích xuất từ văn bản, có hỗ trợ LLM. Nó giúp phân tích dữ liệu với hypogenic bằng cách biến các câu hỏi thực nghiệm thành quy trình làm việc có cấu trúc và có thể kiểm chứng cho diễn giải phân loại, phân tích nội dung và phát hiện gian lận. Hãy dùng khi bạn cần giả thuyết có bằng chứng, không chỉ là động não ý tưởng.

Skill hugging-science giúp bạn tìm và sử dụng các tài nguyên AI khoa học từ Hugging Science catalog và org `hugging-science` trên Hugging Face. Đây là lựa chọn phù hợp cho sinh học, hóa học, khí hậu, genomics, vật liệu, thiên văn học và các công việc tương tự khi bạn cần một dataset, model, Space hoặc bài blog có thể chạy hoặc trích dẫn được. Hãy dùng nó cho nhu cầu sử dụng hugging-science và các workflow hướng dẫn hugging-science thay vì tìm kiếm chung chung.

histolab là một skill Python cho tiền xử lý ảnh whole-slide image (WSI) trong giải phẫu bệnh số. Skill này hỗ trợ phát hiện mô, trích xuất tile và chuẩn hóa nhuộm cho các slide H&E, rất hữu ích cho chuẩn bị bộ dữ liệu, phân tích nhanh theo tile và các quy trình phân tích dữ liệu nhẹ. Hãy cài đặt và dùng histolab với hướng dẫn thực tế về mask, tiler và quản lý slide.

Kỹ năng statsmodels giúp bạn dùng statsmodels để phân tích dữ liệu trong Python khi cần mô hình thống kê, suy luận và chẩn đoán. Kỹ năng này phù hợp với OLS, GLM, biến cố rời rạc, chuỗi thời gian và mô hình hỗn hợp, kèm bảng hệ số, p-value, khoảng tin cậy và kiểm tra giả định. Hãy dùng hướng dẫn statsmodels này cho kinh tế lượng, dự báo và báo cáo có cơ sở.

Kỹ năng statistical-analysis giúp bạn chọn, chạy và trình bày các kiểm định có cơ sở cho Data Analysis, bao gồm giả định, kích thước hiệu ứng, power và kết quả theo chuẩn APA. Hãy dùng nó cho nghiên cứu học thuật, thí nghiệm và các nghiên cứu quan sát khi việc chọn kiểm định và báo cáo rõ ràng quan trọng hơn việc viết mã cho một mô hình cụ thể.

scvi-tools là một framework Python cho phân tích đơn bào theo hướng xác suất. Hãy dùng skill scvi-tools này cho batch correction, latent embeddings, differential expression có kèm độ bất định, transfer learning và tích hợp đa mô thức. Đây là lựa chọn rất phù hợp cho các workflow single-cell RNA-seq, ATAC, CITE-seq, multiome và spatial, đặc biệt trong các bài toán Machine Learning nâng cao.

scvelo là một skill Python để phân tích RNA velocity trong dữ liệu RNA-seq đơn bào. Dùng nó để ước lượng chuyển trạng thái tế bào từ mRNA chưa spliced và đã spliced, suy ra hướng quỹ đạo, tính latent time và xác định các gen driver. Skill này đặc biệt hữu ích cho scvelo trong Data Analysis khi bạn cần tính định hướng vượt ra ngoài clustering tiêu chuẩn hoặc pseudotime.

scientific-writing là một kỹ năng cốt lõi cho công cụ nghiên cứu sâu và viết lách. Nó biến ghi chú nghiên cứu, dàn ý và các phát hiện từ nguồn tham khảo thành văn phong khoa học sẵn sàng xuất bản, với cấu trúc IMRAD, các đoạn văn hoàn chỉnh, các kiểu trích dẫn như APA/AMA/Vancouver, và các chuẩn báo cáo như CONSORT, STROBE, PRISMA. Hãy dùng nó cho bài báo tạp chí, bản sửa, tóm tắt và bản nháp sẵn sàng nộp.

scientific-visualization là một meta-skill dành cho các hình vẽ sẵn sàng cho công bố khoa học. Hãy dùng nó cho các biểu đồ nộp tạp chí với bố cục nhiều panel, chú thích mức ý nghĩa thống kê, thanh sai số, bảng màu thân thiện với người mù màu, và định dạng theo phong cách Nature/Science/Cell. Skill này điều phối matplotlib, seaborn và plotly cho công việc scientific-visualization trong Data Visualization.

Xây dựng slide deck và bài thuyết trình cho các buổi báo cáo nghiên cứu với skill scientific-slides. Dùng cho bài thuyết trình hội nghị, seminar, bảo vệ luận án, cập nhật phòng thí nghiệm và các bộ slide khoa học khác. Skill này nhấn mạnh mạch kể chuyện rõ ràng, ít chữ, phân cấp thị giác, trích dẫn và cấu trúc sẵn sàng để trình bày trên PowerPoint hoặc LaTeX Beamer.

scientific-critical-thinking giúp đánh giá các tuyên bố khoa học, thiết kế nghiên cứu, sai lệch, yếu tố gây nhiễu và chất lượng bằng chứng. Hãy dùng nó cho phân tích phản biện, hỗ trợ rà soát tài liệu, kiểm tra GRADE hoặc Cochrane risk-of-bias, và scientific-critical-thinking trong kiểu đánh giá Peer Review về việc một bài báo thực sự có thể chứng minh đến đâu.

scholar-evaluation giúp đánh giá công trình học thuật và nghiên cứu bằng thang điểm có cấu trúc trên các khía cạnh: xác định vấn đề, phương pháp, phân tích, cách viết và mức độ sẵn sàng để xuất bản. Hãy dùng nó cho việc phản biện học thuật, lập kế hoạch chỉnh sửa và tạo phản hồi nhất quán cho bài báo, đề cương, tổng quan tài liệu và các bản thảo học thuật khác.

scientific-brainstorming là một kỹ năng lên ý tưởng nghiên cứu cho tư duy khoa học mở. Hãy dùng nó để khám phá các liên kết liên ngành, thách thức giả định, nhận diện khoảng trống nghiên cứu và định hình ý tưởng dự án giai đoạn đầu trước khi bạn có bộ dữ liệu chặt chẽ hoặc giả thuyết cuối cùng.

Rowan là một nền tảng workflow cho mô hình phân tử và hóa dược theo hướng cloud-native, có Python API. Skill rowan phù hợp nhất cho dự đoán pKa theo lô, các tổ hợp conformer và tautomer, docking, cofolding, quy trình động lực học phân tử, độ thấm, và các workflow tạo descriptor khi bạn muốn chạy lặp lại, có tính lập trình, mà không phải tự quản lý hạ tầng HPC hoặc GPU tại máy local.

pytdc là một skill dành cho Therapeutics Data Commons, cung cấp các bộ dữ liệu và benchmark khám phá thuốc sẵn sàng cho AI cho ADME, độc tính, DTI, DDI, tạo phân tử, chia scaffold và dự đoán dược lý.

pyopenms là một skill khối phổ dựa trên Python dành cho các quy trình proteomics và metabolomics. Hãy dùng nó để cài đặt pyopenms, nạp và kiểm tra các file mzML cùng các định dạng liên quan, xử lý phổ, phát hiện feature, nhận diện peptide và protein, và xây dựng các pipeline phân tích dữ liệu LC-MS/MS có thể tái lập.

pymoo là một skill Python cho tối ưu hóa đơn mục tiêu và đa mục tiêu, Pareto fronts, các bài toán có ràng buộc, và kiểm thử benchmark. Hãy dùng hướng dẫn pymoo này để chọn các thuật toán như NSGA-II, NSGA-III, và MOEA/D, theo dõi quy trình cài đặt và sử dụng, đồng thời áp dụng pymoo cho Data Analysis khi cần cân bằng nhiều chỉ số cùng lúc.

PyMC là một skill mô hình hóa Bayes để xây dựng, fit, kiểm tra và so sánh các mô hình xác suất trong Python. Dùng pymc cho hồi quy phân cấp, phân tích đa mức, chuỗi thời gian, dữ liệu thiếu, sai số đo lường và so sánh mô hình với LOO hoặc WAIC.