tooluniverse-immune-repertoire-analysis
面向T细胞与B细胞受体测序数据的免疫组库综合分析技能。用于分析TCR/BCR组库，评估克隆性、多样性、V(D)J基因使用、CDR3序列特征、克隆扩增与趋同，并可结合单细胞表型与纵向组库追踪，适用于适应性免疫应答、克隆扩增与抗原特异性研究。
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 10-30 00:12
数据与分析
17,172 个结果
tooluniverse-metabolomics
用于代谢组学研究的技能：识别与注释代谢物、查询 MetaboLights 和 Metabolomics Workbench 研究、按关键词搜索研究，并生成结构化 Markdown 报告。整合 HMDB、MetaboLights、Metabolomics Workbench 与 PubChem 数据。
tooluniverse-metabolomics-analysis
该技能用于代谢组学数据分析，覆盖代谢物鉴定、定量、质量控制、归一化、探索性分析、差异分析、通路富集和多组学整合等环节。可处理 LC-MS、GC-MS、NMR 数据，也支持靶向与非靶向平台。技能可对峰表或原始谱图进行代谢物数据库匹配（HMDB、KEGG、PubChem），进行 QC 过滤、缺失值处理、批次校正和 log 变换或标度化，并通过 PCA、PLS-DA、OPLS-DA 等方法展示样本结构与组间差异。差异分析部分包含 t 检验、ANOVA、Wilcoxon 和多重检验校正，可输出火山图和热图。通路分析包含代谢物集富集与 KEGG/Reactome/BioCyc 通路映射及拓扑影响评估。还支持代谢物与酶表达的相关性分析，以及基于 FBA 的代谢通量分析。适用于差异代谢物发现、代谢通路失调研究、代谢生物标志物筛选和多组学整合等场景。
tooluniverse-polygenic-risk-score
该技能用于基于全基因组关联研究（GWAS）汇总统计数据，构建并解读复杂疾病的多样多基因风险评分（PRS）。它可从 GWAS 数据库提取全基因组显著变异（p < 5e-8），利用效应量（beta 系数）建立加权 PRS 模型，根据个体基因型数据计算风险分数，并将结果解读为人群百分位和风险类别。该技能通过 ToolUniverse 的 GWAS 工具查询 GWAS Catalog（EMBL-EBI）和 Open Targets Genetics。其计算采用加权求和公式 PRS = Σ (dosage_i × effect_size_i)，并将原始分数标准化为 z 分数以便比较。数据来源和工具名称均在资料中明确给出。该技能不用于诊断疾病、不替代临床评估或遗传咨询、不纳入非遗传因素，也不提供治疗建议。资料特别指出其仅用于教育研究目的，未经临床验证，准确性依赖 GWAS 与目标人群的祖源匹配。
tooluniverse-sequence-retrieval
生物序列检索工具，可从 NCBI 与 ENA 获取 DNA、RNA 和蛋白质序列。该工具通过基因／物种消歧、登录号类型识别（如 RefSeq 的 NC_、NM_、NP_ 与 GenBank／EMBL 记录）以及跨数据库处理，帮助用户获得准确的序列数据，并生成包含序列属性、统计信息、注释摘要、备选序列和交叉引用等内容的序列档案报告。使用时应始终以英文术语调用工具（基因名、物种名、序列描述），即使用户使用其他语言；仅当英文无结果时才尝试原始语言术语，最终以用户语言返回结果。
tooluniverse-structural-variant-analysis
该技能面向临床基因组学中的结构变异（SV）分析，提供系统化工作流。可对缺失、重复、倒位、易位及复杂重排进行分类，并结合基因含量、剂量敏感性、人群频率等证据，依据 ACMG 适配标准给出致病性评估。其核心特征包括报告优先方法、显式证据分级（★级）、剂量敏感性评估、断点精度判断，以及使用 gnomAD 等数据库进行人群频率评估。分析流程覆盖两个阶段。该技能适合有芯片或测序 CNV 数据、需要判断缺失或重复是否致病、需要 SV 的 ACMG 分类、评估基因剂量效应，或分析染色体大片段重排的场景。工具调用默认使用英文术语，回复使用用户语言。具体可用平台、价格与限制暂未提供。
tooluniverse-variant-analysis
ToolUniverse 变异分析（tooluniverse-variant-analysis）是一套面向生物信息学问题的 VCF 处理、变异注释、突变分析与结构变异（SV/CNV）解读技能。它把本地生物信息学计算与 ToolUniverse 数据库集成相结合，用于回答关于 VCF 数据的分析问题、突变分类、变异过滤和临床注释。资料中明确列出的触发场景包括：用户提供 VCF 文件（SNV/indel 或 SV）并询问其内容；变异等位基因频率（VAF）过滤问题；突变类型分类查询（如错义、无义、同义）；结构变异解读请求（缺失、重复、CNV）；变异注释请求（ClinVar、gnomAD、CADD、dbSNP）；使用 ClinGen 剂量敏感性进行 CNV 致病性评估；队列比较问题；群体频率过滤；内含子/基因间变异过滤；基因剂量敏感性查询。资料给出的示例问题包括 VAF < 0.3 的变异中错义突变的占比、过滤内含子/基因间变异后剩余的非参考变异数量、影响 BRCA1 的缺失的临床意义、与 chr17 上 500kb 重复重叠的剂量敏感基因等。该技能以七阶段工作流组织，覆盖解析、分类、过滤、统计、注释、报告生成以及结构变异与 CNV 分析。
vaex
Vaex 是一个面向超大规模表格数据的高性能 Python 库，采用惰性求值和核外（out-of-core）DataFrame 设计，用于处理和分析超出内存容量的数据集。资料称其每秒可处理超过十亿行数据，可在数十亿行规模的数据集上进行交互式探索与分析。它支持从 HDF5、CSV、Arrow、Parquet 文件以及 pandas DataFrame、NumPy 数组和字典加载数据，提供过滤、虚拟列、表达式、分组聚合、字符串与日期时间处理、缺失值处理等能力，并支持绘制一维/二维图、热力图等交互式可视化。Vaex 还提供与 scikit-learn、XGBoost、CatBoost 等框架的机器学习集成，包括特征缩放与编码、PCA 降维、K-means 聚类以及模型序列化与部署。典型使用场景包括天文数据、金融时间序列等大规模科学数据集，以及需要惰性求值和虚拟列以避免内存开销的场合。使用方式上，可通过 vaex.open 打开文件、vaex.from_pandas 从 pandas 创建 DataFrame，并使用 export_hdf5 等导出数据。
zarr-python
Zarr 是一个用于存储大规模 N 维数组的 Python 库，支持分块与压缩存储，适用于并行 I/O、云原生工作流，并能与 NumPy、Dask 和 Xarray 集成。它通过分块（chunking）将大型数组切分为可独立读写的小块，配合压缩编解码器降低存储占用，同时支持本地文件系统、内存、ZIP 文件以及 S3、GCS 等云存储后端。Zarr 还提供组（Group）与层级结构，用于组织多个数组，并支持属性元数据、并发同步与合并元数据等特性。本技能介绍其安装方式、数组创建与读写、分块策略、压缩配置、存储后端、与 NumPy/Dask/Xarray 的集成、并行计算与性能优化等内容，面向大规模科学计算场景。
buyback-monitor
Buyback Monitor 是一个围绕股票回购（share repurchases）与资本回报可持续性展开研究的技能，面向需要分析回购授权、回购节奏、股本稀释与回购对比等问题的场景。它把分析过程结构化为确认输入、按需拉取数据、套用分析框架、生成最终交付物四个步骤，并给出可复用的监控清单与结论模板。输出以执行摘要开头，随后给出证据，覆盖关键数据、解读、风险、监控指标和后续步骤。该技能强调标注数据截止日期与单位、不编造缺失数值、区分信号与叙事，并声明仅提供信息、不构成投资建议。适合用户在询问回购、股东回报或资本回报可持续性时使用。
dividend-corporate-action-tracker
分红与配股跟踪技能，用于跟踪历史分红、分红配股方案、除权除息与交易提醒，评估股东回报与分红可持续性。适用于查询分红记录、配股方案、除权除息、股息率等场景。
earnings-reaction-analyzer
Earnings Reaction Analyzer 是一个面向财报后市场反应的分析类技能，用于研究股票在财报公布后的缺口、漂移与波动率变化，并将这些价格反应与公司指引、业绩超预期或不及预期等因素联系起来，帮助用户定义后续的监控价位。该技能以结构化工作流运行，先与用户确认分析范围（股票池、时间窗口、输出偏好和约束条件），再按需拉取数据，缺失数据时会明确说明数据缺口并请用户提供替代输入。分析结果以执行摘要开头，随后展示证据，最终按照输出模板生成包含关键数据、解读、风险、监控要点与后续步骤的可复用交付物。该技能强调数据必须标注截止日期与单位，不得编造缺失值，并需区分“信号”与“故事”，明确列出哪些条件会改变结论。其输出仅供参考，不构成投资建议。
esg-screener
从ESG（环境、社会、治理）视角筛选和分析A股上市公司的技能，可评估可持续发展实践、争议事件与负责任投资标准，用于ESG投资、可持续投资、绿色投资、公司治理评估、争议筛查及排除清单等场景。
factor-crowding-monitor
监控因子拥挤度与因子收益分化，用于识别拥挤交易与风格挤压/轮动风险。当用户询问因子拥挤度、风格拥挤或需要因子轮动风险提示时使用。
liquidity-impact-estimator
流动性与冲击成本评估器（liquidity-impact-estimator）：评估个股或组合的流动性风险与交易冲击成本代理，涵盖成交量、换手率、价量结构、滑点与冲击成本启发式，用于仓位与交易可行性判断；适用于询问流动性风险、可交易性、滑点/冲击成本或下单规模建议时。
portfolio-monitor-orchestrator
编排组合监控流程的技能，面向投研与风控场景，整合集中度、相关性/风格暴露、流动性、情景压力等维度，输出结构化监控报告。适用于用户要求全面诊断或持续监控其组合时，信息性输出，不构成投资建议。
zach-sif-cvr-threshold-analyzer
该 Skill 基于领星 ASIN 360 或同类日业务报表，以及用户自行导出的 SIF 日级关键词自然排名 JSON，回测 CVR 与核心词、稳定词自然排名波动的关系，输出观察线、危险线、广告 CVR 确认线，用于站外放量期间判断 CVR 偏低是否伴随排名波动风险。
zframes-brief
zframes-brief 是 zframes 仪表盘的每日市场简报技能。每次运行会读取用户仪表盘上的交易符号，拉取这些符号的市场快照，对前一天的预测进行打分，并生成当天的新分析与可核查的预测，最后追加写入一个日志文件。该技能只负责分析，不修改仪表盘配置；它与 /zframes（负责构建和编辑仪表盘）是姊妹技能。分析结果由仪表盘的 daily-analysis 框架渲染最新日志条目。适合希望让自己的市场终端随时间变得更精准、并希望用可追踪的方式记录每日判断的用户。
analytics-patterns
面向移动端（Kotlin/Swift）的分析埋点集成模式，涵盖事件与屏幕追踪、用户属性、Firebase Analytics、自定义分析提供方以及隐私合规（同意管理与 ATT）。
algolia-events-insights
Algolia 事件埋点指导技能，用于 Insights、分析、个性化、动态重排、Recommend 与商品运营反馈闭环。帮助产出事件分类、载荷清单、去重规则与验证计划，并区分可采集事件与真正可被下游功能使用的事件。
do-work
do-work 是 allenai/asta-plugins 中的一项技能，用于端到端执行一个状态为 ready 的工作项：按照 work/<slug>/README.md 中已批准的 # Instructions 计划执行，把产出写入 work/<slug>/data/，并在 # Results 中记录实际执行情况，随后移交给 review-work。
weather
基于 NOAA/NWS 天气预报数据，为 Polymarket 天气预测市场寻找定价偏差并下单的工具，提供扫描、预测、计算优势、下注及自动下注等命令。
fermi-estimation
费米估算技能：当用户需要量化答案却缺少精确数据，或需要快速得到数量级判断时，将目标量拆解为可估算因子并相乘，追求正确的数量级而非精度，输出目标定义、分解表、乘积、区间与合理性校验。
skill-system-eda
Skill System EDA 是一个面向 CSV 与 parquet 数据集的探索性数据分析（EDA）技能。它通过 scripts/eda.py 生成确定性的 EDA 产物，当前稳定后端为表格型 EDA，并提供 explore 作为多模态入口。核心能力包括模态检测、数据集画像、分布报告、相关性矩阵、异常画像、特征重要性扫描、泄漏检测，以及数据契约的生成与校验。所有分析使用 Polars（而非 pandas）进行数据 IO 与聚合，配合 numpy、scipy 完成位移、相关性、KS 检验与 Cramer's V，仅在可用时使用 sklearn 做特征排序。profile.yaml 作为机器可读的事实来源，report.md 作为人类可读的伴生报告。命令默认写入摘要记忆，并可为每个 warning/critical 发现单独写入记忆；在记忆写入失败或设置 EDA_DISABLE_MEM_PY=1 时，回退到 .memory/pending/。该技能还提供 graph-viz，将表格数据转为图可视化产物，生成 index.html、graph.json、sliders.json，并记录 renderer_hint、preview_applied 与浏览器边数上限，用于大型图时显式回退到预览边。