SuperAPI AI 工具集
合作ENAI 行业资讯收藏

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 10-28 00:17

数据与分析

17,056 个结果

benchling-integration

Benchling Integration 是一个面向生命科学研发的集成技能，用于通过 Benchling Python SDK 和 REST API 以编程方式访问 Benchling 云平台。Benchling 是生命科学研发云平台，本技能覆盖注册表实体（DNA、RNA、蛋白质）、库存、电子实验记录本（ELN）条目、工作流、Benchling Apps 以及数据仓库查询。示例基于 benchling-sdk 1.25.0（PyPI 最新稳定版）。适用场景包括：使用 Benchling Python SDK 或 REST API、管理生物序列与注册表实体、自动化库存操作（样本、容器、位置、转移）、创建或查询电子实验记录本条目、构建工作流自动化或 Benchling Apps、在 Benchling 与外部系统间同步数据、查询数据仓库进行分析、以及通过 AWS EventBridge 设置事件驱动集成。技能包含七个能力领域：认证与设置、注册表与实体管理、库存管理、笔记本与文档、工作流与自动化、事件与集成、数据仓库与分析。

数据与分析33 次安装

deeptools

deepTools 是一套用于处理和分析高通量测序（NGS）数据的 Python 命令行工具集，可对 ChIP-seq、RNA-seq、ATAC-seq、MNase-seq 等实验数据进行质量控制、数据归一化、样本比较以及生成出版级可视化图表。其核心能力包括将 BAM 比对文件转换为归一化的覆盖度轨道（bigWig/bedGraph），支持 RPGC、CPM、RPKM、BPM 等归一化方式；提供指纹分析、相关性分析、覆盖度评估等质控功能；支持样本比较与相关性分析、PCA 分析；可围绕基因组特征生成热图和轮廓图，进行富集分析与峰区域可视化。该技能适用于文件转换、质量控制、可视化、样本比较及完整分析工作流等场景。

数据与分析33 次安装

labarchive-integration

该技能用于安全对接 LabArchives 官方 ELN REST 风格 API 与 Inventory API v1，涵盖区域端点选择、签名请求构造、用户授权、本地请求规划与 LA 容器检查。它强调区分旧版 ELN API 与 Inventory API v1，使用 HMAC-SHA-512 签名，凭据仅存于环境变量或密钥管理器，并遵循 HTTPS、主机白名单、超时、限速与不自动重试 4xx 等安全规则。附带脚本仅使用 Python 标准库，可生成脱敏的请求计划，不执行远程写入。

数据与分析33 次安装

omero-integration

该技能用于安全地检查和自动化针对 OMERO.server 的显微成像数据工作流，基于 omero-py、BlitzGateway、OMERO CLI、表格、注释、ROI、渲染等能力。它强调最小数据范围、凭据安全、默认加密连接、对列表/分页/ROI/注释/表格行/像素平面等操作设置边界，并将写入操作单独审查。技能提供可复现的客户端安装方式（Python 3.12、IcePy 3.6.5、omero-py 5.22.1），以及若干本地安全辅助脚本（配置校验、只读清单、图像元数据导出、传输计划），远程操作默认 dry-run，需显式 --execute 才执行。

数据与分析33 次安装

pacsomatic

pacsomatic 是一个面向 nf-core/pacsomatic 配对肿瘤-正常（tumor-normal）分析流程的操作工具包，从 BAM 输入出发，帮助用户完成运行前的输入校验、样本表（samplesheet）与参数文件生成，以及可选的本地执行或调度器提交。该技能以单一辅助入口脚本 scripts/run_pacsomatic.py 为核心，负责校验必需标识符、文件、参考基因组模式与运行时前置条件，生成兼容 pacsomatic 的样本表（patient,sample,status,bam,pbi）、params YAML 和启动脚本，以支持可复现的重跑。它支持 dry-run 校验与 run/submit 执行路径，可对接 LSF、Slurm、PBS、SGE 等调度器，并在提交后返回检测到的作业 ID。适用场景包括：从 BAM 运行配对肿瘤-正常分析、生成或修复样本表与启动产物、本地执行或提交到调度器、执行前做 dry-run 校验、排查启动失败或汇总运行输出。该技能不用于超出运行级合理性检查的深层生物学解读，也不用于在未明确要求时修改流程内部实现。

数据与分析33 次安装

pathway-enrichment

Pathway Enrichment 是一个用于通路与基因集富集分析的技能，可对基因列表或带排序的基因数据运行 ORA（过表征分析）或 GSEA（基因集富集分析），并帮助解读结果。它适用于差异表达、筛选或聚类之后的标准收尾步骤，回答“我的基因中哪些生物学过程被显著富集”。该技能基于 gseapy 与 g:Profiler，支持 Enrichr、MSigDB Hallmark、GO、KEGG、Reactome、WikiPathways 等基因集库，也支持 ssGSEA/GSVA 通路活性打分。它强调方法选择、基因 ID 命名空间、背景基因集、多重检验校正与冗余去除等关键环节，并提供辅助脚本 run_enrichment.py 端到端运行 ORA 或 GSEA 并输出结果表与点图。

数据与分析33 次安装

pydeseq2

PyDESeq2 是 DESeq2 的 Python 实现，用于 bulk RNA-seq 计数数据的差异表达分析。该技能覆盖从数据加载到结果解读的完整流程，支持公式化的单因素与多因素设计、带多重检验校正的 Wald 检验、可选的 apeGLM 收缩，以及与 pandas 和 AnnData 的集成。适用于比较实验条件间的基因表达（如处理组 vs 对照组）、处理批次效应或协变量的多因素设计、将 R 版 DESeq2 工作流迁移到 Python，以及把差异表达分析集成进 Python 流程。技能包含命令行分析脚本、结果解读与可视化指南（火山图、MA 图）、常见问题排查，以及 API 参考和工作流指南文档。安装命令为 uv pip install pydeseq2==0.5.4，要求 Python 3.11+ 及 pandas、numpy、scipy、scikit-learn、anndata、formulaic 等依赖。

数据与分析33 次安装

pydicom

pydicom 是一个用于处理 DICOM（医学数字成像与通信）文件的 Python 库，当前审阅版本为 3.0.2，要求 Python >=3.10。它支持读取、检查、写入和转换本地 DICOM 文件，涵盖数据集 I/O、元数据访问、传输语法处理以及像素数据解码与压缩。核心 API 包括 dcmread、dcmwrite 和 pydicom.pixels。该版本修复了 CVE-2026-32711（DICOMDIR 路径遍历问题），内置 DICOM 字典为 2024c。pydicom 是通用 DICOM 框架，并非诊断查看器，其像素输出、校验和转换不构成诊断结论。使用中需注意 DICOM 元数据、文件名、私有元素、叠加层、结构化内容和像素可能包含受保护健康信息（PHI），默认不应打印数据集、导出完整元数据或记录元素值，应使用允许列表和聚合输出。去标识化需结合具体用途、接收方、司法辖区和威胁模型，并由隐私/DICOM 专家验证，不能声称脚本符合 PS3.15、HIPAA 或 GDPR。

数据与分析33 次安装

qutip

QuTiP 5 是一个用于有限维量子力学与量子光学模拟的 Python 库，本技能围绕 QuTiP 5.3.0 提供可复现的建模与审计工作流。它覆盖封闭与开放量子系统的确定性演化、量子跳跃轨迹、稳态、谱分析与相空间可视化，并涉及 Bloch-Redfield 弱耦合、Floquet、HEOM 和置换对称（PIQS）等专门方法。技能强调严格的模型契约：记录单位与约定、子系统张量顺序、态的有效性、Lindblad 生成元含义、近似假设与数值收敛性。它提供本地命令行工具用于校验 Qobj 模型、运行二能级模拟、规划求解器配置、执行收敛扫描和审计结果。该技能面向 QuTiP 5.3.0（2026-05-22 发布），要求 Python 3.11 及以上，依赖 NumPy、SciPy 和 packaging。它明确不是硬件执行 SDK，电路与控制功能已移至独立的 QuTiP 家族包（qutip-qip、qutip-qtrl、qutip-jax）。

数据与分析33 次安装

scvelo

scVelo 是用于单细胞 RNA 测序数据 RNA 速率分析的 Python 包。它通过建模 mRNA 剪接动力学，利用未剪接（前体 mRNA）与已剪接（成熟 mRNA）丰度的比例，判断每个细胞中基因处于上调还是下调状态，从而在无需时间序列数据的情况下重建发育轨迹并识别细胞命运决定。该技能面向已具备 spliced 和 unspliced 层的 AnnData 对象，支持随机模型与动力学模型两种速率估计方式，可计算潜在时间、伪时间、驱动基因、速率置信度，并生成 UMAP 上的速率箭头、流线图与 PAGA 轨迹图。安装命令为 uv pip install scvelo。

数据与分析33 次安装

ab-testing-analyzer

AB测试分析技能是一个基于Python的数据分析工具，用于完成AB测试从实验设计到结果分析的完整流程。它提供了转化率与留存率分析、统计显著性检验、用户分群分析以及可视化报告生成等能力。统计检验方面涵盖t检验（独立样本、配对样本）、卡方检验（拟合优度、独立性）、置信区间估计、效应量计算和多重比较校正。用户分群支持价值分群、人口统计学分群、行为模式分群及自定义分群策略，并可进行交互效应分析。可视化功能包括转化率对比图、留存率曲线图、用户分群热力图、交互效应图和统计检验结果图，还可生成交互式仪表板。该工具还提供多变量AB测试、贝叶斯AB测试、时间序列分析、稳健性检查与因果推断支持。使用时需安装pandas、numpy、scipy、matplotlib、seaborn、statsmodels等依赖，通过导入脚本模块并以CSV数据文件加载分析。适用于产品改版评估、营销活动测试、功能优化验证等场景。

数据与分析33 次安装