生物信息学

torchdrug 是一套以 PyTorch 為核心的分子與蛋白質機器學習工具箱。你可以透過 torchdrug 技能來選擇任務、資料集與模組化模型，涵蓋圖神經網路、蛋白質建模、知識圖譜推理、分子生成與逆合成。它最適合客製化模型開發與可重現的設定，而不只是現成示範。

rdkit 技能可協助你精準處理化學資訊工作流程：解析 SMILES、SDF、MOL、PDB 與 InChI；計算描述子；產生指紋；執行子結構搜尋；處理反應；以及建立 2D/3D 座標。這份 rdkit 指南適合進階控制、自訂清理，以及用 rdkit 進行 Data Analysis 工作流程。

dnanexus-integration 是一個實用的 DNAnexus 雲端基因組工作技能。可用來建立 apps 和 applets、管理上傳與下載、執行 workflows，並透過 dxpy 自動化 pipelines。dnanexus-integration 指南特別適合處理後端開發任務，涵蓋 FASTQ、BAM、VCF 檔案，以及平台特定設定與 job 執行。

diffdock 是一個 docking 技能，可根據 PDB 結構，或蛋白質序列搭配以 SMILES、SDF 或 MOL2 表示的配體，預測 protein-ligand 的結合姿勢。可用於結構導向藥物設計、虛擬篩選，以及帶有信心分數的 pose 分析。它不適用於結合親和力預測。

scvi-tools 是一個用於機率式單細胞分析的 Python 框架。這個 scvi-tools 技能可用於批次校正、潛在嵌入、帶不確定性估計的差異表現分析、遷移學習，以及多模態整合。它特別適合單細胞 RNA-seq、ATAC、CITE-seq、multiome 與空間流程，尤其是進階 Machine Learning 使用情境。

scvelo 是一個用於單細胞 RNA-seq 資料中 RNA velocity 分析的 Python 技能。可用來根據未剪接與已剪接 mRNA 估計細胞狀態轉換、推斷軌跡方向、計算潛在時間，並找出驅動基因。當你需要超越一般分群或偽時間、進一步掌握方向性時，這個 skill 尤其適合用於 scvelo for Data Analysis。

scikit-survival 技能，適用於 Python 中的生存分析與事件時間建模。可用這份指南處理刪失資料、Cox 模型、隨機生存森林、梯度提升、Survival SVM，以及 concordance index 和 Brier score 等生存評估指標。

用於 Python 中 scanpy 單細胞 RNA-seq 資料分析的技能。可用來進行 QC、正規化、PCA、UMAP/t-SNE、分群、標記基因探索、軌跡分析，以及產出適合發表的圖表。最適合以 AnnData 為核心、以探索性 scRNA-seq 工作流程為主的情境，並提供清楚的 scanpy 使用與安裝指引。

pyopenms 是一套以 Python 為基礎的質譜分析技能，適用於蛋白質體學與代謝體學工作流程。可用來安裝 pyopenms、載入並檢視 mzML 及相關檔案、處理光譜、偵測特徵、鑑定胜肽與蛋白質，並建立可重現的 LC-MS/MS 資料分析流程。

pydeseq2 是一個用於 bulk RNA-seq 差異基因表現分析的 Python DESeq2 技能。可用來比較不同條件、建立單因子或多因子設計、套用 Wald 檢定與 FDR 校正，並在 pandas 與 AnnData 工作流程中產生 volcano 或 MA 圖。

neuropixels-analysis 是用於 Neuropixels 神經訊號記錄分析的技能。可載入 SpikeGLX、Open Ephys 或 NWB 資料，進行前處理、運動校正、spike sorting、品質指標計算，並整理 units 以供後續資料分析。最適合需要一份實用的 neuropixels-analysis 指南，從原始檔一路做到可發表結果的使用者。

molfeat 是一個用於 ML 與資料分析的分子特徵化技能。它可將 SMILES 或 RDKit 分子轉成 fingerprint、descriptor 與預訓練 embedding，適合 QSAR、虛擬篩選、相似度搜尋與化學空間分析。可用這份 molfeat 指南挑選實用表示法，並建立可重用的特徵化流程。

latchbio-integration 是用來在 Latch 上建置與部署生物資訊工作流程的技能。可用來搭配 `@workflow` 和 `@task` 裝飾器封裝 Python pipeline，管理 `LatchFile` 與 `LatchDir` 資料，並將 Nextflow 或 Snakemake 工作流程調整為無伺服器執行。

imaging-data-commons 可協助你使用 idc-index 查詢並下載來自 NCI Imaging Data Commons 的公開癌症影像資料。適用於 CT、MR、PET 與病理資料集的 imaging-data-commons 使用情境，包含中繼資料搜尋、瀏覽器預覽、授權檢查，以及 AI 訓練或資料分析工作流程。無需驗證。

使用 glycoengineering 技能分析並設計蛋白質醣基化。可辨識 N-醣基化 sequon、估算 O-醣基化熱點，並支援抗體最佳化、疫苗設計，以及資料分析流程中的 glycoengineering，提供實用的決策指引。

gget 是一個生物資訊技能，可透過 CLI 或 Python 快速、統一地存取 20+ 個基因組資料庫與分析工具。適合查詢基因資訊、BLAST 相關資料、AlphaFold 結構、表現量資料、疾病關聯，以及進行類 enrichment 分析。它很適合快速探索，以及 gget for Data Analysis 工作流程。

geniml 是一個用於 BED 檔、scATAC-seq 輸出與染色質可及性資料的基因組區間機器學習技能。適合用來處理 Region2Vec、BEDspace、scEmbed、共識 peaks，以及其他以區域為單位的 ML 工作流程。當你需要基因組區域的 embeddings、clustering，或前處理建議時，這個技能相當合適。

etetoolkit 是一套用於 ETE 工作流程的系統發育樹工具組。使用 etetoolkit 技能可解析、編輯、比較、定根、修剪與視覺化 Newick、NHX、PhyloXML 或 NeXML 格式的樹。它支援系統發育基因組學、同源／旁系同源分析、NCBI taxonomy，以及適合發表的 PDF 或 SVG 輸出。

depmap 可協助分析 Cancer Dependency Map，取得癌症細胞株的基因依賴分數、藥物敏感性與基因效應輪廓。可用來找出癌症特異性脆弱點、合成致死交互作用，並透過可重現的 depmap 指南驗證腫瘤學藥物標的，適合 Data Analysis 使用。

這個 deeptools 技能可協助 NGS 分析流程，涵蓋 deepTools 中的 BAM 轉 bigWig、QC、樣本比較，以及 ChIP-seq、RNA-seq、ATAC-seq 與相關實驗的 heatmap 或 profile plot。當你需要可重現的命令列分析與視覺化時，它可作為實用的 deeptools 使用指南。

cellxgene-census 技能可用來以程式化方式查詢 CELLxGENE Census。適合探索表達量資料、metadata、embeddings，以及跨資料集的模式，涵蓋不同組織、疾病與細胞類型。最適合大規模單細胞分析與參考圖譜比較；如果是自己的資料，建議使用 scanpy 或 scvi-tools。

bioservices 是一個 Python 技能，可透過單一介面查詢 40+ 個生物資訊服務。適合用於跨資料庫工作流程、ID 對應、路徑與化合物查詢，以及需要透過 API 穩定擷取資料的後端開發任務，涵蓋 UniProt、KEGG、ChEMBL、Reactome 等服務。

adaptyv 可協助你使用 Adaptyv Bio Foundry API 與 Python SDK 進行安裝、提交蛋白質序列，以及擷取分析結果。這個 adaptyv 技能適用於 API 開發、驗證設定、請求格式化，並可提供結合、篩選、熱穩定性、表達與螢光工作流程的實務指引。