SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场scientific-skills

scientific-skills

数据与分析

查看项目

更新于 10-16 10:47

技能介绍

用途

scientific-skills 是一套综合科研工具包，面向生物学、化学、医学、数据科学与计算研究，包含 139 个即用型科学技能，目标是把 AI 变为可执行复杂多步骤科研工作流的研究助手。

主要能力与技能分类

资料列出以下技能类别与部分技能：

  • 科学数据库（28+）：pubchem、chembl-database、uniprot-database、pdb、drugbank-database、kegg、clinvar-database、cosmic-database、ensembl-database、geo-database、gwas-database、reactome-database、string-database、alphafold-database、biorxiv-database、clinicaltrials-database、ena-database、fda-database、gene-database、zinc-database、brenda-database、clinpgx-database、uspto-database。
  • Python 分析库（55+）：rdkit、scanpy、anndata、biopython、pytorch-lightning、scikit-learn、transformers、pandas/polars/vaex、matplotlib/seaborn/plotly、deepchem、esm、datamol、pymatgen、qiskit、pymoo、statsmodels、sympy、networkx、geopandas、shap。
  • 生物信息学与基因组学：gget、pysam、deeptools、pydeseq2、scvi-tools、etetoolkit、scikit-bio、bioservices、cellxgene-census。
  • 化学信息学与药物发现：rdkit、datamol、molfeat、diffdock、torchdrug、pytdc、cobrapy。
  • 科学传播：literature-review、scientific-writing、scientific-schematics、scientific-slides、hypothesis-generation、venue-templates、citation-management。
  • 临床与医学：clinical-decision-support、clinical-reports、treatment-plans、pyhealth、pydicom。
  • 实验室与集成：benchling-integration、dnanexus-integration、pylabrobot、flowio、omero-integration。

使用方式

资料给出的调用示例：

// 调用主技能目录
Skill({ skill: 'scientific-skills' });

// 直接调用特定子技能
Skill({ skill: 'scientific-skills/rdkit' }); // Cheminformatics
Skill({ skill: 'scientific-skills/scanpy' }); // Single-cell analysis
Skill({ skill: 'scientific-skills/biopython' }); // Bioinformatics
Skill({ skill: 'scientific-skills/literature-review' }); // Literature review

多技能串联工作流示例：

Skill({ skill: 'scientific-skills/literature-review' });
Skill({ skill: 'scientific-skills/hypothesis-generation' });
Skill({ skill: 'scientific-skills/scientific-schematics' });

资料还给出核心工作流示例，包括：7 阶段系统性文献综述（PICO 规划、多数据库检索、PRISMA 筛选、数据提取与质量评估、主题综合、引文核验、PDF 生成）；药物发现工作流（使用 RDKit + ChEMBL + datamol，查询生物活性数据、计算分子属性、Lipinski 成药性过滤、相似性筛选、子结构分析）；单细胞分析工作流（使用 scanpy + anndata，加载与质控、标准化与特征选择、降维 PCA/UMAP、Leiden 聚类、标记基因识别、细胞类型注释）；假设生成工作流（8 步：理解现象、文献检索、证据综合、生成竞争假设、质量评估、设计实验、形成预测、生成报告）。

子技能统一结构：

scientific-skills/
├── SKILL.md                    # 目录/索引
├── skills/
│   ├── rdkit/
│   │   ├── SKILL.md           # 技能文档
│   │   ├── references/        # API 参考与模式
│   │   └── scripts/           # 示例脚本
│   ├── scanpy/
│   ├── biopython/
│   └── ... (共 139 个)

前置条件

  • Python 3.9+（推荐 3.12+）
  • uv 包管理器（推荐）
  • 平台：macOS、Linux 或 Windows 搭配 WSL2

最佳实践

  • 从合适的技能开始：用上文的分类表查找。
  • 复杂工作流串联技能：文献综述 → 假设 → 实验设计。
  • 用数据库技能获取数据：分析前先查询数据库。
  • 可视化结果：使用 matplotlib/seaborn/plotly 生成出版级图表。
  • 记录发现：使用 scientific-writing 技能进行正式文档化。

代理框架集成

  • 推荐配对示例：data-engineer 配 polars、dask、vaex、zarr-python；python-pro 配所有 Python 类技能；database-architect 配数据库技能用于模式设计；technical-writer 配 literature-review、scientific-writing。
  • 资料给出通过 Task 生成子代理并指定技能与工作流的示例（task_id、subagent_type、description、prompt）。

资源

  • 捆绑文档：skills//SKILL.md、skills//references/、skills/*/scripts/。
  • 外部资源列出 K-Dense AI GitHub、RDKit Documentation、Scanpy Documentation、BioPython Tutorial。

Iron Laws（资料原文规则）

  • 始终在分析前查询科学数据库（PubMed、ChEMBL、UniProt）。
  • 绝不在未记录全部步骤（数据源、参数、库版本、变换）的情况下进行分析。
  • 复杂工作流始终串联多个领域技能。
  • 绝不在未做统计验证的情况下报告发现。
  • 始终在每个主要处理步骤后可视化中间结果。

反模式

资料列出：未先查询数据库就分析（缺少文献上下文、重复已知工作）；用单一工具做复杂多领域分析（遗漏跨域依赖）；处理中跳过中间可视化（错误与离群值静默传播）；未先综述文献就生成假设（重复已知方案、忽略矛盾发现）；报告发现但不记录分析来源（不可复现、不可验证、不可扩展）。

记忆协议（强制）

  • 开始前：读取 .claude/context/memory/learnings.md。
  • 完成后：新模式写入 .claude/context/memory/learnings.md；发现问题写入 .claude/context/memory/issues.md；做出决定写入 .claude/context/memory/decisions.md。
  • ASSUME INTERRUPTION：如果不在记忆中，就等于没发生。

版本与许可

  • 当前版本 v2.17.0，包含 139 个技能；集成自 K-Dense-AI/claude-scientific-skills 仓库。
  • 许可：MIT License，开源，可免费用于研究与商业用途。

限制

资料未提供各技能的具体实现细节、数据库访问的账号或配额要求、运行成本、性能基准、支持的模型或平台范围，以及实际使用效果数据。以上信息暂未提供。