SuperAPI AI 工具集

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 11-21 00:15

全部 Skills

258,963 个结果

neuropixels-analysis

该技能用于端到端分析 Neuropixels 高密度细胞外神经记录,基于 SpikeInterface 实现。覆盖从原始数据到可发表级单元(unit)的完整流程:加载 SpikeGLX、Open Ephys、NWB 数据,预处理(高通滤波、坏通道检测、相位校正、共参考),漂移/运动检测与校正,运行尖峰分选(Kilosort4、SpykingCircus2、Mountainsort5、Tridesclous2),计算质量指标(SNR、ISI 违规、存在比、幅度截断),以及基于阈值、模型(UnitRefine)或 AI 辅助的单元筛选,并支持导出到 Phy 或 NWB。技能附带可运行脚本与可编辑模板,直接构建在 SpikeInterface 之上,无需额外安装独立包。

数据与分析91 次安装

nextflow

Nextflow 是一种用于构建可复现、可移植、可扩展数据流水线的工作流语言与运行时,在生物信息学领域应用广泛,也适用于任何数据密集型计算。nf-core 是建立在 Nextflow 之上的社区项目,提供生产级流水线、可复用模块及配套工具。该技能覆盖运行与开发两类工作:既能运行 nf-core 或自定义 Nextflow 流水线、调试失败或续跑任务,也能编写和修改 .nf 脚本、nextflow.config、profiles、nextflow_schema.json,开发与测试 nf-core 风格的模块和子工作流,并配置执行器、容器与资源,扩展到 HPC 或云端。核心概念包括数据流编程(process 通过 channel 连接,执行顺序与并行度由数据依赖自动推断)、一次编写随处运行(通过配置与 profile 切换本地、HPC、云)、可复现性(每任务容器、-resume 缓存、固定流水线版本)以及 DSL2 语法。使用前需 Bash 与 Java 17 或更新版本,可通过官方脚本或 conda/bioconda 安装 Nextflow,并用 uv pip 或 conda 安装 nf-core 工具。

数据与分析91 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91 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91 次安装

pyhealth

PyHealth 是一个用于临床深度学习的 Python 工具包,围绕电子健康记录(EHR)、生理信号和医学影像提供统一的模块化流程。其核心是五阶段流水线:Dataset → Task → Model → Trainer → Metrics,各阶段可替换且接口稳定。该技能覆盖加载 MIMIC-III/IV、eICU、OMOP-CDM、EHRShot、SleepEDF、SHHS、ISRUC、COVID19-CXR、ChestX-ray14、TUEV/TUAB 等数据集,支持死亡率、再入院、住院时长、药物推荐、睡眠分期、ICD 编码、EEG 事件和去标识化等预测任务,并提供 ICD-9-CM、ICD-10-CM、ATC、NDC、RxNorm、CCS 等医学编码的查询与交叉映射。安装需 Python ≥ 3.12 且 < 3.14,推荐使用 uv 管理环境。

数据与分析91 次安装

pysam

pysam 是一个用于基因组文件处理的 Python 库,基于 HTSlib/samtools/bcftools 构建,提供对 SAM/BAM/CRAM、VCF/BCF、FASTA/FASTQ 以及 tabix 索引表格等 HTSlib 支持格式的底层流式访问能力。它通过 AlignmentFile、AlignedSegment、VariantFile、VariantHeader、VariantRecord、FastaFile、FastxFile、TabixFile 等类,以及 pysam.samtools、pysam.bcftools 命令封装,支持读取、查询、过滤和写入基因组数据。当前上游基线为 pysam 0.24.0(2026 年 4 月 27 日),封装 HTSlib/samtools/bcftools 1.23.1。安装可使用 uv pip install "pysam==0.24.0",支持的 macOS 和 Linux 平台提供预编译 wheel。使用前需明确文件格式、压缩方式、排序顺序和可用索引,注意数值坐标为 0 基半开区间,区域字符串为 1 基闭区间。适用于基因组数据分析、变异检测、序列处理等生物信息学场景。

数据与分析91 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91 次安装

scvi-tools

scvi-tools 是一个基于 PyTorch 与 PyTorch Lightning 的单细胞基因组学概率模型 Python 框架,使用变分推断实现深度生成模型,用于分析多种单细胞数据模态。当前稳定版本为 scvi-tools 1.4.3(2026 年 5 月)。它提供统一的 API 模式(setup → train → extract),以 AnnData 为中心,可与 scanpy 生态无缝集成,并支持 GPU 加速。模型按数据模态组织:单细胞 RNA-seq(scVI、scANVI、AUTOZI、VeloVI、contrastiveVI 等)、染色质可及性(PeakVI、PoissonVI、scBasset)、多模态与多组学整合(totalVI、totalANVI、MultiVI、MrVI、DIAGVI)、空间转录组(DestVI、Stereoscope、Tangram、scVIVA)以及专门模态(MethylVI/MethylANVI、CytoVI、Solo、CellAssign)。核心模型位于 scvi.model 命名空间,多数其他模型位于 scvi.external。安装需 Python 3.12+,可用 uv pip install scvi-tools,GPU 支持使用 uv pip install "scvi-tools[cuda]"。

数据与分析91 次安装

waypoint-bio

Waypoint 是 Outpost Bio 开源的一套用于微生物组的基础模型工具,包含三个基于 GPT-2 架构的因果语言模型检查点(Waypoint-6m、Waypoint-45m、Waypoint-170m)、Atlas 数据集(约 53.9 万个微生物组样本)和 Compass 基准(八项下游任务)。其核心思路是把微生物组样本视为“句子”,每个分类单元视为一个 token,按丰度 z-score 降序排列,用下一 token 预测训练。配套命令行工具 waypoint 提供 prepare-dataset、embed、finetune、benchmark、pretrain 五个子命令,支持将 16S/宏基因组分类谱嵌入为固定向量、微调预测表型或连续读数、在 Compass 上评分、以及在 Atlas 或自有语料上预训练。注意:标注样本少于约 1000 时,随机森林通常优于该模型;不在词汇表中的分类单元会被静默丢弃;该工具不适用于临床或诊断。

数据与分析91 次安装

superior-reliability

Superior Reliability 是 kodekateam/superior-skills 技能集中的一个可靠性工程技能,用于设计、实施、评审或改进运营可靠性。它围绕明确的 SLI/SLO、错误预算、故障域、检测与恢复责任等可靠性契约展开,帮助减少重试、熔断、冗余等控件按清单堆叠的做法,改以风险和目标为依据选择工作。技能涵盖有界韧性设计(超时、重试、退避、舱壁、降载、优雅降级)、恢复与可观测性运营(告警、运行手册、备份恢复、故障切换、演练)以及故障行为验证,并明确要求不得在未授权情况下触发故障注入或生产操作。

部署与运维91 次安装

seedance-production-workflow

Seedance 制作工作流是一个用于规划与执行 Seedance 视频项目的技能。它把从需求简报、参考素材、分镜脚本、生成交接、逐镜审查到针对性修复的流程串联起来,目标不是只写出一条漂亮的提示词,而是产出一套可追溯的视频制作包。该技能强调区分「已规划」「素材就绪」「已提交」「已生成」「已审查」等状态,禁止把提示词或未运行的分镜称作已完成视频。它会先收集缺失的关键信息(题材或产品、目标观众、时长、画幅、期望风格、必现动作、音频/对白、已有参考素材、目标 Seedance 入口、时间或生成预算),再选择最简单的控制结构:单镜头、多镜头分镜、身份/产品敏感型参考、复杂编排,以及超出单次生成时的原生扩展或分段交接方案。随后准备 brief.md、reference-map.md、plan.json 等文件,校验时长、顺序和引用缺失错误,输出可复制的 Seedance 提示词与参考上传映射和设置,并在授权前提下提交、保存任务 ID、取回并按 QA 量表审查结果,记录失败镜头、时间和修复方式。最终交付视频或生成交接、输入清单、分镜/镜头表、提示词、模型设置、QA 记录与来源信息。

设计与创作91 次安装