cobrapy
COBRApy 是用于代谢模型约束重建与分析（COBRA）的 Python 库，面向系统生物学与代谢工程，支持通量平衡分析（FBA）、通量变异性分析（FVA）、基因敲除、通量采样、SBML 模型读写、生产包络与 gapfilling 等分析。
Skill 广场
找到适合任务的 Agent Skill，阅读介绍并复制安装命令。
更新于 10-27 00:15
数据与分析
17,033 个结果
dask
Dask 是用于并行与分布式计算的 Python 库，可将 pandas/NumPy 工作流扩展到超出内存或跨集群的数据规模，支持大于内存执行、多核并行和 TB 级分布式计算。
datamol
datamol 是 RDKit 的 Pythonic 封装，提供简洁接口与合理默认值，适用于 SMILES 解析、标准化等标准药物发现任务；分子对象为原生 RDKit Mol，内置并行与云存储支持。
depmap
DepMap（癌症依赖图谱）技能，用于查询Broad Institute的癌症细胞系基因依赖评分（CRISPR Chronos）、药物敏感性与基因效应谱，支持靶点验证、生物标志物发现、合成致死与共依赖性分析。数据可通过DepMap API或下载文件获取。
etetoolkit
ETE（Environment for Tree Exploration）是一个用于系统发育与层次树分析的工具包，提供 Python 库 ete3。它支持 Newick、NHX、PhyloXML、NeXML 等树格式的读写与遍历，可进行剪枝、定根、折叠节点、解析多分支等拓扑修改，并计算分支长度、拓扑距离及 Robinson-Foulds 距离。PhyloTree 类可结合序列比对检测基因复制与物种形成事件，识别直系同源与旁系同源基因，并拆分直系同源组。NCBITaxa 可下载并缓存 NCBI 分类数据库，实现 taxid 与学名互译、谱系获取及分类树构建。可视化方面支持 PNG、PDF、SVG 输出，矩形与环形布局，以及 NodeStyle、Faces 和布局函数自定义样式。ClusterTree 类用于层次聚类分析，可计算轮廓系数、Dunn 指数并绘制热图。该工具适用于系统发育基因组学、基因家族分析、聚类验证和树比较等研究场景。
flowio
FlowIO 是一个轻量级的 Python 库，用于读写流式细胞术标准（FCS）文件，支持 FCS 2.0、3.0 和 3.1 版本。它的主要用途是解析 FCS 文件的元数据与通道信息，并将事件数据提取为 NumPy 数组，便于后续分析或转换。FlowIO 依赖极少，适合后端服务、数据管道以及基础的细胞术文件操作。用户可以用它读取文件版本、事件数、通道标签、采集日期、仪器名称等信息，也能将事件数据导出为 CSV 或 Pandas DataFrame。此外，FlowIO 支持创建新的 FCS 文件，可将 NumPy 数组写入 FCS 3.1 格式（单精度浮点），并自定义 TEXT 段元数据。它还能处理多数据集 FCS 文件、检测偏移差异并允许忽略错误，以及通过 only_text 参数进行内存高效的元数据读取。安装命令为 uv pip install flowio，要求 Python 3.9 或更高版本。对于需要补偿、门控或 FlowJo 支持的高级分析，建议搭配 FlowKit 库使用。
geniml
Geniml 是一个基于 BED 基因组区间数据构建机器学习模型的 Python 包，提供区域、单细胞和标签的无监督嵌入，用于相似性搜索、聚类与下游 ML 任务。可用 uv pip install geniml 安装，ML 依赖为 uv pip install 'geniml[ml]'。
get-available-resources
这是一项在计算密集型科学任务开始前使用的资源探测技能，可检测 CPU 核心、GPU（NVIDIA CUDA、AMD ROCm、Apple Silicon Metal）、内存与磁盘空间，并生成并行处理、内存策略、GPU 加速等建议，输出 .claude_resources.json 供后续决策。
hypogenic
Hypogenic 是面向表格数据集的自动化假设生成与检验框架，用大语言模型加速科学发现。支持 HypoGeniC（数据驱动）、HypoRefine（文献与数据融合）和 Union（机制式组合）三种方法。
imaging-data-commons
基于 idc-index 工具查询与下载美国国家癌症研究所影像数据共享平台（IDC）公开癌症影像数据的技能，支持 CT、MR、PET 等放射影像及病理切片，无需认证即可访问。
lamindb
LaminDB 是一个面向生物学的开源数据框架，旨在让数据可查询、可追溯、可复现并符合 FAIR 原则（可发现、可访问、可互操作、可复用）。它通过统一的 Python API，将湖仓架构、血缘追踪、特征存储、生物本体、LIMS（实验室信息管理系统）和 ELN（电子实验记录本）能力整合到一个平台中。其核心价值包括：可查询性（按元数据、特征和本体术语搜索过滤数据集）、可追溯性（从原始数据到分析结果自动追踪血缘）、可复现性（对数据、代码和环境进行版本控制）以及 FAIR 合规（使用生物本体进行标准化注释）。该技能适用于管理 scRNA-seq、bulk RNA-seq、空间转录组、流式细胞术、多模态数据、EHR 数据等生物数据集，追踪 Notebook、脚本及 Nextflow、Snakemake、Redun 等流水线执行，进行数据策展与验证，使用 Bionty 处理基因、蛋白质、细胞类型等生物本体，构建数据湖仓，确保可复现性，集成 ML 流水线，部署数据基础设施以及协作共享数据集。
molfeat
Molfeat 是一个分子特征化 Python 库，统一整合 100 多种预训练嵌入与手工特征器，可将 SMILES 或 RDKit 分子转换为数值特征，用于 QSAR 建模、虚拟筛选、相似性搜索与深度学习等任务，支持并行处理、scikit-learn 兼容转换器和缓存。
networkx
NetworkX 是用于在 Python 中创建、操作和分析复杂网络与图的工具包，适用于社交网络、生物网络、交通系统、引文网络、知识图谱等实体关系数据。本技能提供图创建、算法分析、网络生成、读写与可视化等能力。
neuropixels-analysis
面向 Neuropixels 高密度神经记录的分析工具包，基于 SpikeInterface、Allen Institute 与 IBL 最佳实践，覆盖从原始数据到可发表单元的全流程：加载 SpikeGLX/OpenEphys/NWB 数据、预处理、漂移校正、Kilosort4 等尖峰排序、质量指标计算、Allen/IBL 单元筛选及导出。
primekg
PrimeKG 精准医学知识图谱技能，可查询基因、蛋白、药物、疾病、表型等多尺度生物数据，支持实体搜索、邻居检索、疾病上下文分析与药物-疾病路径探索，用于知识驱动的药物发现、药物重定位和网络药理学研究。
pymoo
pymoo 是一个面向单目标与多目标优化的 Python 框架，提供 NSGA-II/III、MOEA/D 等算法，支持约束处理、ZDT/DTLZ 等基准问题、自定义遗传算子、Pareto 前沿分析与多准则决策，适用于工程设计与权衡分析。
pytdc
PyTDC（Therapeutics Data Commons）是一个面向药物发现与开发的开源科学平台，提供 AI 就绪的数据集与基准测试，覆盖治疗药物研发全流程。它将数据按用途分为三类：单实例预测（分子/蛋白质性质，如 ADME、毒性、HTS、量子力学性质）、多实例预测（药物-靶点相互作用 DTI、药物-药物相互作用 DDI、蛋白-蛋白相互作用 PPI 等）以及生成任务（分子生成 MolGen、逆合成 RetroSyn、配对分子生成）。平台提供标准化的评估指标与有意义的数据划分（如 scaffold、cold、temporal 等），并包含基准组（如 ADMET 基准组）、数据划分、模型评估、数据处理工具以及 17 个以上的分子优化 oracle。可通过 pip 安装，使用 `uv pip install PyTDC`，核心依赖自动安装。适合在药物发现或治疗相关机器学习任务中使用，进行模型基准测试、分子性质预测、相互作用预测与目标导向的分子生成。
pytorch-lightning
PyTorch Lightning 深度学习框架相关资料，讲解如何把 PyTorch 代码组织为 LightningModule，并配置 Trainer、LightningDataModule、回调、日志和多 GPU/TPU 分布式训练。
qutip
QuTiP 是 Python 量子物理模拟库，用于开放量子系统研究，支持主方程、Lindblad 动力学、退相干、量子光学与腔 QED 等场景。提供量子态与算符构造、多种时间演化求解器、测量分析与可视化功能。
scikit-bio
scikit-bio 是一个用于处理生物数据的综合 Python 库，适用于生物信息学分析，涵盖序列操作、比对、系统发育、微生物生态学与多元统计。它支持 DNA、RNA、蛋白质等生物序列的读写与转换，可处理 FASTA、FASTQ、GenBank、Newick、BIOM 等 19 种以上生物文件格式。主要能力包括：序列比对（全局/局部、多序列比对）、系统发育树构建与分析（UPGMA、邻接法、GME、BME）、多样性指标计算（alpha/beta 多样性、UniFrac 距离）、排序分析（PCoA、CCA、RDA）、生态统计检验（PERMANOVA、ANOSIM、Mantel）以及蛋白质语言模型嵌入的处理。该库可与 Biopython、pandas、polars、AnnData、scikit-learn 及 QIIME 2 生态集成，常用于微生物组多样性分析、系统发育分析和比较基因组学等场景。安装命令为 uv pip install scikit-bio。
shap
SHAP（SHapley Additive exPlanations）是一个用于解释机器学习模型输出的技能，基于合作博弈论中的 Shapley 值构建统一的可解释性方法。该技能帮助开发者计算任意模型类型的 SHAP 值、生成特征重要性可视化图表、调试与验证模型行为、分析公平性与偏差，并在生产环境中实现可解释 AI。它支持树模型（XGBoost、LightGBM、CatBoost、随机森林）、深度学习模型（TensorFlow、PyTorch、Keras）、线性模型以及黑盒模型。技能内置多种解释器（TreeExplainer、DeepExplainer、KernelExplainer、LinearExplainer、GradientExplainer、PermutationExplainer）与可视化图表（waterfall、beeswarm、bar、scatter、force、heatmap、violin、decision 等），并提供 explainers、plots、workflows、theory 四类参考文档以指导深入使用。
umap-learn
UMAP-Learn 是一个实现 UMAP（Uniform Manifold Approximation and Projection）降维技术的 Python 库，用于可视化与通用非线性降维。UMAP 遵循 scikit-learn 约定，可作为 t-SNE 或 PCA 的替代方案，提供快速、可扩展的嵌入，能够保留数据的局部与全局结构。它适用于 2D/3D 可视化、聚类预处理（如与 HDBSCAN 配合）、监督与半监督降维、度量学习与参数化 UMAP 等场景。使用前通常需要对特征进行标准化，以保证各维度权重一致。该库支持通过 n_neighbors、min_dist、n_components、metric 等参数调节嵌入行为，并提供 transform 方法用于将新数据投影到已学习的嵌入空间。参数化 UMAP 基于 TensorFlow/Keras，支持自定义编码器与逆变换。安装命令为 uv pip install umap-learn。
usfiscaldata
美国财政部 Fiscal Data API 的查询技能，用于获取国债、政府收支、利率与汇率等联邦财务数据。该 API 免费开放、无需密钥或注册，可用字段选择、过滤、排序、分页等参数调用。
vaex
Vaex 是一个面向超大规模表格数据的高性能 Python 库，采用惰性求值与核外（out-of-core）DataFrame 设计，可处理和分析超出可用内存的表格数据集。资料称其每秒可处理超过十亿行，支持对数十亿行数据进行交互式探索与分析。它适用于大于内存（从 GB 到 TB 级）的表格数据、对海量数据做快速统计聚合、为大数据创建可视化与热力图、在大数据上构建机器学习流水线、在 CSV、HDF5、Arrow、Parquet 等格式间转换，以及需要惰性求值和虚拟列以避免内存开销的场景，例如天文数据、金融时间序列等大规模科学数据。核心能力涵盖六个方面：DataFrame 与数据加载、数据处理与操作、性能与优化、数据可视化、机器学习集成、I/O 操作。典型用法是先通过 vaex.open 打开文件或从 pandas/NumPy 等创建 DataFrame，再用虚拟列、筛选与聚合进行计算，最后可视化或导出为 HDF5 等格式。