生物信息学

torchdrug 是一个原生 PyTorch 的分子与蛋白质机器学习工具包。使用 torchdrug 技能来选择任务、数据集和模块化模型，覆盖图神经网络、蛋白质建模、知识图谱推理、分子生成和逆合成。它更适合自定义模型开发和可复现配置，而不只是现成演示。

rdkit 技能适用于需要精细控制的化学信息学工作流：解析 SMILES、SDF、MOL、PDB 和 InChI；计算描述符；生成指纹；执行子结构检索；处理反应；以及构建 2D/3D 坐标。将这份 rdkit 指南用于高级控制、自定义 sanitize，以及面向数据分析的 rdkit 工作流。

dnanexus-integration 是一个面向 DNAnexus 云基因组学工作的实用技能。可用于构建 apps 和 applets、管理上传与下载、运行 workflows，并借助 dxpy 自动化 pipelines。dnanexus-integration 指南适用于涉及 FASTQ、BAM 和 VCF 文件的后端开发任务，同时覆盖平台特定配置和作业执行。

diffdock 是一项对接技能，可基于 PDB 结构，或蛋白序列加上以 SMILES、SDF、MOL2 表示的配体，预测蛋白-配体结合构象。适用于基于结构的药物设计、虚拟筛选以及带置信度评分的构象分析。它不用于结合亲和力预测。

scvi-tools 是一个用于概率式单细胞分析的 Python 框架。可将此 scvi-tools 技能用于批次校正、潜在嵌入、带不确定性的差异表达、迁移学习和多模态整合。它非常适合单细胞 RNA-seq、ATAC、CITE-seq、multiome 和空间组学工作流，尤其适用于更高级的机器学习场景。

scvelo 是一款用于单细胞 RNA-seq 数据中 RNA velocity 分析的 Python 技能。可用它根据未剪接和已剪接 mRNA 估计细胞状态转变、推断轨迹方向、计算 latent time，并识别 driver genes。对于需要超越标准聚类或 pseudotime、进一步判断方向性的 Data Analysis 场景，scvelo 尤其有用。

面向 Python 生存分析与时间到事件建模的 scikit-survival 技能。适用于删失数据、Cox 模型、随机生存森林、梯度提升、Survival SVM，以及一致性指数和 Brier score 等生存评估指标。

用于 Python 中单细胞 RNA-seq 数据分析的 scanpy 技能。适合做 QC、标准化、PCA、UMAP/t-SNE、聚类、marker 基因发现、轨迹分析以及生成出版级图表。最适合围绕 AnnData 构建的探索性 scRNA-seq 工作流，提供清晰的 scanpy 使用与安装指引。

pyopenms 是一个基于 Python 的质谱分析技能，面向蛋白质组学和代谢组学工作流。可用于安装 pyopenms、加载并查看 mzML 及相关文件、处理谱图、检测特征、鉴定肽段和蛋白质，并构建可复现的 LC-MS/MS 数据分析流水线。

pydeseq2 是一个面向 bulk RNA-seq 差异基因表达分析的 Python DESeq2 技能。可用于比较不同条件、拟合单因素或多因素设计、执行 Wald 检验和 FDR 校正，并在 pandas 和 AnnData 工作流中生成火山图或 MA 图。

用于 Neuropixels 神经记录分析的 neuropixels-analysis 技能。可加载 SpikeGLX、Open Ephys 或 NWB 数据，进行预处理、运动校正、spike sorting、质量指标计算，并对单元进行整理，供后续数据分析使用。适合需要从原始文件到可发表结果的实用 neuropixels-analysis 指南的用户。

molfeat 是一款面向 ML 和数据分析的分子特征化技能。它可以将 SMILES 或 RDKit 分子转换为 fingerprints、descriptors 和预训练 embeddings，适用于 QSAR、虚拟筛选、相似性搜索和化学空间分析。使用这份 molfeat 指南，选择实用的表示方式并构建可复用的特征化流水线。

latchbio-integration 是用于在 Latch 上构建和部署生物信息学工作流的技能。它可帮助你用 `@workflow` 和 `@task` 装饰器打包 Python pipeline，管理 `LatchFile` 和 `LatchDir` 数据，并将 Nextflow 或 Snakemake 工作流适配为无服务器执行。

imaging-data-commons 可帮助你使用 idc-index 查询并下载 NCI Imaging Data Commons 的公开癌症影像数据。适用于 CT、MR、PET 和病理数据集中的 imaging-data-commons 使用场景，包括元数据检索、浏览器预览、许可检查，以及 AI 训练或数据分析工作流。无需认证。

使用 glycoengineering 技能分析并设计蛋白质糖基化。可识别 N-glycosylation 序列位点，估算 O-glycosylation 热点，并为抗体优化、疫苗设计以及面向 Data Analysis 工作流的 glycoengineering 提供实用的决策指导。

gget 是一款生物信息学技能，可通过 CLI 或 Python 快速、统一地访问 20+ 个基因组数据库和分析工具。适合查询基因信息、BLAST 相关检索、AlphaFold 结构、表达数据、疾病关联以及富集分析等场景，也很适合用于快速探索和 gget 数据分析工作流。

geniml 是一个用于 BED 文件、scATAC-seq 输出和染色质可及性数据的基因组区间机器学习技能。可用于 Region2Vec、BEDspace、scEmbed、consensus peaks 以及其他面向区域的 ML 工作流。若你需要基因组区域的 embeddings、聚类或预处理建议，它是一个合适的选择。

etetoolkit 是面向 ETE 工作流的系统发育树工具包。使用 etetoolkit skill，可解析、编辑、比较、定根、修剪和可视化 Newick、NHX、PhyloXML 或 NeXML 格式的树。它支持系统发育基因组学、直系/旁系同源分析、NCBI 分类体系，以及适合论文展示的 PDF 或 SVG 输出。

depmap 可帮助分析 Cancer Dependency Map 中癌症细胞系的基因依赖性评分、药物敏感性和基因效应谱。可用于识别癌症特异性脆弱点、合成致死相互作用，并借助可复现的 depmap 指南验证肿瘤学药物靶点，适用于 Data Analysis。

deeptools 技能可帮助你处理 deepTools 中的 NGS 分析工作流：从 BAM 转 bigWig、QC、样本比较，到 ChIP-seq、RNA-seq、ATAC-seq 及相关实验的 heatmap 和 profile plot。需要可复现的命令行分析与可视化时，它可以作为实用的 deeptools 指南。

用于通过程序化方式查询 CELLxGENE Census 的 cellxgene-census 技能。可用来探索表达数据、元数据、embedding，以及跨数据集的模式，覆盖不同组织、疾病和细胞类型。最适合群体规模的单细胞分析和参考图谱比较；如果是你自己的数据，建议使用 scanpy 或 scvi-tools。

bioservices 是一个 Python 技能，可通过一个接口查询 40+ 个生物信息学服务。适用于跨数据库工作流、ID 映射、通路与化合物查询，以及需要通过 API 在 UniProt、KEGG、ChEMBL、Reactome 等数据源之间稳定检索的后端开发任务。

adaptyv 可帮助你使用 Adaptyv Bio Foundry API 和 Python SDK 来安装、提交蛋白质序列并检索检测结果。将这个 adaptyv 技能用于 API 开发、认证配置、请求构造，以及关于 binding、screening、thermostability、expression 和 fluorescence 工作流的实用指导。