SuperAPI AI 工具集找到适合任务的 Agent Skill，阅读介绍并复制安装命令。
更新于 10-29 00:09
17,143 个结果
scvi-tools 是一个基于 PyTorch 和 PyTorch Lightning 的单细胞基因组学概率模型 Python 框架，使用变分推断提供深度生成模型，用于分析多种单细胞数据模态。它支持单细胞 RNA-seq（降维、批次校正、整合）、scATAC-seq 染色质可及性、多模态数据整合（CITE-seq、multiome、配对/非配对数据集）、空间转录组（去卷积、空间映射）、差异表达分析、细胞类型注释与迁移学习，以及甲基化、流式细胞术、RNA 速率等专门模态，并支持构建自定义概率模型。所有模型遵循统一 API：setup_anndata 注册数据、创建模型、train 训练、提取潜在表示与归一化表达，结果可存回 AnnData 供 scanpy 下游分析。模型要求原始计数数据，支持 GPU 加速和批次校正。
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。
Statsmodels 是 Python 中用于统计建模与计量经济学的核心库，提供估计、推断与诊断工具，覆盖从简单线性回归到复杂时间序列与计量分析的广泛方法。它支持线性回归（OLS、WLS、GLS、分位数回归）、广义线性模型（Logistic、Poisson、Gamma 等）、离散选择模型（二值、多项、计数、有序）、时间序列分析（ARIMA、SARIMAX、VAR、预测）、统计检验与诊断（异方差、自相关、正态性）、异常值与影响点检测、模型比较（AIC/BIC、似然比检验）以及因果效应估计，并可生成适合发表的统计表格与推断结果。该技能适用于需要严谨统计推断的场景，例如拟合回归模型、分析离散结果、进行时间序列预测、检验模型假设、比较模型优劣等。使用方式上，既可通过标准 API（如 sm.OLS、sm.GLM、ARIMA）建模，也可使用 R 风格公式 API（smf.ols、smf.logit）进行直观的模型设定。资料中提供了线性回归、Logistic 回归、ARIMA、GLM 等快速入门代码示例，以及模型选择、交叉验证和最佳实践指导。
STRING Database 是一个蛋白质-蛋白质相互作用数据库，覆盖 5000 多个物种、5900 万个蛋白质和 200 亿条以上相互作用。该技能通过 REST API 提供查询能力，支持蛋白质相互作用网络检索、功能富集分析（GO、KEGG、Pfam 等）、相互作用伙伴发现、网络可视化、同源性分析以及跨物种比较。技能包含 Python 辅助函数（scripts/string_api.py）和详细参考文档（references/string_reference.md），适用于系统生物学、通路分析和蛋白质组学研究。
SymPy 是 Python 的符号数学库，用符号而非数值近似进行精确计算。本技能提供符号代数、微积分、线性代数、方程求解、物理计算与代码生成的使用指导，适合需要精确数学结果的 Python 场景。
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。
UniProt Database 是一个通过 REST API 直接访问 UniProt 的技能，用于蛋白质序列与功能信息的检索与分析。它支持按名称、基因、登录号或物种搜索蛋白质，以 FASTA 等格式获取序列，在 UniProt 与 Ensembl、RefSeq、PDB 等外部数据库之间进行 ID 映射，并访问 Swiss-Prot/TrEMBL 注释。该技能提供 Python 客户端脚本，封装搜索、单条获取、批量检索、ID 映射和流式下载等常用操作，适合生物信息学中的蛋白质查询与数据获取工作流。
db-migrate 是 easyplatform 仓库中的 DevOps 技能，用于按仓库既定模式创建或执行数据库迁移，支持 add、update、list、rollback 等操作，并在非本地环境应用前要求安全审查与用户确认。
Biopython 是面向计算分子生物学的 Python 工具集，支持序列操作、FASTA/GenBank/PDB 等文件解析、系统发育分析，以及通过 Entrez 访问 NCBI/PubMed。当前版本 1.87，支持 Python 3.10-3.14，依赖 NumPy。
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）、药物敏感性数据与基因效应谱，支持靶点验证、生物标志物发现、合成致死筛选和共依赖性分析。
GeoPandas 是一个基于 pandas 的 Python 库，用于处理地理空间矢量数据，支持 Shapefile、GeoJSON、GeoPackage 等格式。它结合了 pandas 的数据处理能力和 shapely 的几何操作，提供 GeoSeries 和 GeoDataFrame 两种核心数据结构，可进行坐标参考系管理、几何运算、空间连接、叠加分析、融合以及静态和交互式地图可视化。适用于地理数据分析、空间查询、多源数据整合等场景。
LaminDB 是面向生物学的开源、以血缘关系为核心的数据湖仓，让数据集与模型可查询、可追溯、可验证、可复现并符合 FAIR 原则，数据以开放格式存储于本地文件系统、S3、GCS、Hugging Face、SQLite 与 Postgres。
Latch 是一个用于构建和部署生物信息学工作流的 Python 框架，基于 Flyte，支持用 @workflow/@task 装饰器创建无服务器流水线，管理云端数据（LatchFile/LatchDir），配置资源，并集成 Nextflow/Snakemake 流程。
Polars 是基于 Apache Arrow 的高性能 DataFrame 库，支持 Python 与 Rust。它提供表达式 API、惰性求值与并行执行，适合 ETL、分析与从 pandas 迁移。
polars-bio 是基于 Polars、Apache Arrow 与 DataFusion 的高性能 Python 基因组区间运算与生物信息文件读写库，支持 overlap、nearest、merge 等区间操作及 BED、VCF、BAM、CRAM、GFF/GTF、FASTA、FASTQ 等格式，提供流式处理、云端 I/O 与 SQL 接口。
PyHealth 是面向临床深度学习的 Python 工具包，提供覆盖电子病历、生理信号与医学影像的统一模块化流水线，可按数据集→任务→模型→训练器→指标的流程构建临床预测模型。
Pysam 是用于读写基因组数据的 Python 模块，通过 htslib 提供 Pythonic 接口，可处理 SAM/BAM/CRAM 比对文件、VCF/BCF 变异文件及 FASTA/FASTQ 序列，支持区域查询、覆盖度计算与 samtools/bcftools 命令调用。
QuTiP 是用于开放量子系统模拟的 Python 量子物理工具箱，支持主方程、Lindblad 动力学、退相干、量子光学与腔 QED 等研究。提供量子态与算符构造、多种时间演化求解器、测量分析、可视化及 Floquet、HEOM 等高级方法。
scikit-bio 是处理生物数据的 Python 综合工具库，覆盖序列读写与操作、序列比对、系统发育树、微生物群落多样性（alpha/beta、UniFrac）、排序分析（PCoA/CCA/RDA）、PERMANOVA 等统计检验、BIOM 表与蛋白嵌入。
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 是用于非线性降维的 Python 库，可将高维数据嵌入到 2D/3D 空间，适合可视化、聚类预处理、监督与半监督降维。遵循 scikit-learn 接口，支持 transform 新数据、DensMAP、AlignedUMAP 与参数化 UMAP。
查询美国财政部 Fiscal Data REST API 的联邦财务数据技能，无需 API 密钥。可用于国债（Debt to the Penny）、每日财政部报表、利率与汇率、国债拍卖及储蓄债券等数据集。
Expanso 提供的格式转换技能，用于在 JSON、XML 与 CSV 之间进行数据格式转换。通过 pipeline.yaml 配置 Expanso 流水线，可用 ./run.sh 或 expanso run -c pipeline.yaml 运行，需先安装 Expanso Edge 并配置所需凭据。
每日资讯日报生成器，采用获取元数据、生成摘要、输出日报三阶段工作流，支持增量抓取与去重，可添加新信源并自动分析网页生成 method 文件。触发场景包括每日新闻、资讯日报、信息监控、新闻聚合等。