Claude Skills
Ressourcenzentrum

Cloud-Laborplatform für automatisierte Proteintests und -validierung. Verwenden Sie sie bei der Proteinentwicklung und bei der Bedürfnislage nach experimenteller Validierung, einschließlich Bindungsassays, Expressionstests, Thermostabilitätsmessungen, Enzymaktivitätsassays oder Proteinssequenzoptimierung. Verwenden Sie sie auch zum Einreichen von Experimenten über API, zum Verfolgen des Experimentstatus, zum Herunterladen von Ergebnissen, zur Optimierung von Proteinsequenzen für eine bessere Expression mit Hilfe von Rechenwerkzeugen (NetSolP, SoluProt, SolubleMPNN, ESM) oder zur Verwaltung von Proteinentwicklungsworkflows mit Nasslaborvalidierung.

Diese Fähigkeit sollte für Zeitreihenmaschinelles Lernen einschließlich Klassifikation, Regression, Clustering, Prognose, Anomalieerkennung, Segmentierung und Ähnlichkeitssuche verwendet werden. Verwenden Sie sie bei der Arbeit mit zeitlichen Daten, sequentiellen Mustern oder zeitindexierten Beobachtungen, die spezialisierte Algorithmen über standardisierte ML-Ansätze hinaus erfordern. Besonders geeignet für die Analyse univariate und multivariate Zeitreihen mit scikit-learn-kompatiblen APIs.

Claude Code-Agent-Erzeugungssystem, das benutzerdefinierte Agenten und Sub-Agenten mit erweiterter YAML-Frontmatter, Tools-Zugriffsmustern und MCP-Integrationsunterstützung gemäß bewährten Produktionsmustern erstellt

Vollständiges App Store Optimization (ASO)-Toolkit zur Forschung, Optimierung und Verfolgung der Leistung von mobilen Apps im Apple App Store und Google Play Store

Schaetzen Sie Gen-Regulationsnetzwerke (GRNs) aus Genexpressionsdaten mit skalierbaren Algorithmen (GRNBoost2, GENIE3). Verwenden Sie sie bei der Analyse von Transkriptomdaten (Bulk-RNA-seq, Single-Cell-RNA-seq), um Transkriptionsfaktor-Zielgen-Beziehungen und regulatorische Interaktionen zu identifizieren. Unterstützt verteilte Berechnungen für großskalige Datensaetze.

Testskill für Argumentersetzung

Autonomer biomedizinischer KI-Agentenrahmen für die Ausführung komplexer Forschungstasks im Bereich Genomik, Arzneimittelforschung, Molekularbiologie und klinischer Analyse. Verwenden Sie diese Fähigkeit bei der Durchführung mehrstufiger biomedizinischer Forschung einschließlich CRISPR-Screening-Design, Einzelzell-RNA-seq-Analyse, ADMET-Vorhersage, GWAS-Interpretation, Seltenerkrankungsdiagnose oder Optimierung von Laborprotokollen. Nutzt LLM-Reasoning mit Codeausführung und integrierten biomedizinischen Datenbanken.

Browser-Automatisierung, Debugging und Leistungsanalyse mit Puppeteer-CLI-Skripten. Verwendbar für die Automatisierung von Browsern, das Erstellen von Screenshots, die Leistungsanalyse, die Überwachung von Netzwerkverkehr, Web Scraping, Formularautomatisierung und JavaScript-Debugging.

Quantum Computing-Framework zum Erstellen, Simulieren, Optimieren und Ausführen von Quantenkreisen. Nutzen Sie diese Fähigkeit bei der Arbeit mit Quantenalgorithmen, Quantenkreisentwurf, Quanten Simulation (rauschfrei oder verrauscht), Ausführung auf Quantenhardware (Google, IonQ, AQT, Pasqal), Kreisenoptimierung und -kompilierung, Rauschmodellierung und -charakterisierung oder Quantenexperimenten und -Benchmarking (VQE, QAOA, QPE, Randomized Benchmarking).

Claude Code ist Anthropics agentisches Codierungstool, das im Terminal lebt und dabei hilft, Ideen schneller in Code umzuwandeln. Es kombiniert autonome Planung, Ausführung und Validierung mit Erweiterbarkeit durch Skills, Plugins, MCP-Server und Hooks. Verwenden Sie es, wenn Benutzer Hilfe bei folgenden Themen brauchen: - Verständnis von Claude Code f...

Fachexperte für Claude Code CLI, Skills, Befehle, Hooks, Plugins, MCP, Einstellungen und Workflows. Ausgelöst bei claude code, cli, skill, befehl, hook, plugin, mcp, slash command, einstellungen

Interaktiver Slash-Command-Ersteller für Claude Code. Wird ausgelöst, wenn der Benutzer die Erstellung von Befehlen, Slash-Commands, Command-Vorlagen, Command-Argumenten erwähnt oder einen neuen Command-Workflow erstellen möchte.

Diese Fähigkeit sollte verwendet werden, wenn mit annotierten Datamatrizen in Python gearbeitet wird, insbesondere für Einzelzellgenomikanalysen, die Verwaltung von experimentellen Messungen mit Metadaten oder die Verarbeitung von groß angelegten biologischen Datensätzen. Verwenden Sie sie, wenn Aufgaben AnnData-Objekte, h5ad-Dateien, Einzelzell-RNA-seq-Daten oder die Integration mit Scanpy/Scverse-Tools betreffen.

Parallel-/verteiltes Computing. Skalieren Sie pandas/NumPy über den Arbeitsspeicher hinaus, parallele DataFrames/Arrays, Verarbeitung mehrerer Dateien, Aufgabengraphen für Datensätze, die größer als der Arbeitsspeicher sind, und parallele Workflows.

Pythonischer Wrapper um RDKit mit vereinfachter Schnittstelle und sinnvollen Standardwerten. Bevorzugt für Standard-Drug-Discovery: SMILES-Parse, Standardisierung, Deskriptoren, Fingerprints, Clustering, 3D-Konformere, parallele Verarbeitung. Gibt native rdkit.Chem.Mol-Objekte zurück. Für erweiterte Kontrolle oder benutzerdefinierte Parameter verwenden Sie RDKit direkt.

Python-Schnittstelle zu OpenMS für die Analyse von Massenspektrometrie-Daten. Nutzen Sie sie für LC-MS/MS-Proteomik- und Metabolomik-Workflows, einschließlich Dateiverwaltung (mzML, mzXML, mzTab, FASTA, pepXML, protXML, mzIdentML), Signalverarbeitung, Featureerkennung, Peptididentifizierung und quantitative Analyse. Anwenden, wenn Sie mit Massenspektrometrie-Daten arbeiten, Proteomik-Experimente analysieren oder Metabolomik-Datensätze verarbeiten.

Systematisches Framework zur Bewertung wissenschaftlicher und Forschungsarbeiten auf der Basis der ScholarEval-Methodologie. Diese Fähigkeit sollte verwendet werden, wenn Forschungsarbeiten bewertet, Literaturreviews evaluiert, Forschungsmethodologien bewertet, die Qualität wissenschaftlicher Texte analysiert oder strukturierte Evaluationskriterien auf akademische Arbeiten angewendet werden. Sie bietet eine umfassende Bewertung in mehreren Dimensionen, darunter Problemformulierung, Literaturreview, Methodologie, Datenerhebung, Analyse, Ergebnisinterpretation und Qualität wissenschaftlicher Schreibweise.

Schreiben Sie wissenschaftliche Manuskripte. IMRAD-Struktur, Zitierungen (APA/AMA/Vancouver), Abbildungen/Tabellen, Berichtsrichtlinien (CONSORT/STROBE/PRISMA), Zusammenfassungen für Forschungsarbeiten und Zeitschriftenbeiträge.

Machine Learning in Python mit scikit-learn. Verwenden Sie es bei der Arbeit mit überwachten Lernverfahren (Klassifizierung, Regression), unüberwachten Lernverfahren (Clustering, Dimensionsreduzierung), Modellauswertung, Hyperparameter-Tuning, Vorverarbeitung oder dem Erstellen von ML-Pipelines. Es bietet umfassende Referenzdokumentation für Algorithmen, Vorverarbeitungstechniken, Pipelines und Best Practices.

Diese Fähigkeit sollte bei der Analyse von Single-Cell-Omics-Daten mit scvi-tools verwendet werden, einschließlich scRNA-seq, scATAC-seq, CITE-seq, räumlicher Transkriptomik und anderen Single-Cell-Modälaritäten. Verwenden Sie diese Fähigkeit für probabilistische Modellierung, Batch-Korrektur, Dimensionsreduktion, differentiellere Expression, Zelltyp-Annotation, multimodale Integration und räumliche Analyseaufgaben.

Graph Neural Networks (PyG). Knoten-/Graphklassifikation, Linkvorhersage, GCN, GAT, GraphSAGE, heterogene Graphen, Moleküleigenschaftsvorhersage für geometrisches Tiefenlernen.

UMAP-Dimensionalitätsreduktion. Schnelles nichtlineares Manifold-Lernen für 2D/3D-Visualisierung, Cluster-Vorverarbeitung (HDBSCAN), überwachtes/parametrisches UMAP für hochdimensionale Daten.

Verwenden Sie diese Fähigkeit für die Verarbeitung und Analyse großer tabellarischer Datensätze (Milliarden von Zeilen), die den verfügbaren RAM überschreiten. Vaex besticht bei Out-of-Core-DataFrame-Operationen, Lazy Evaluation, schnellen Aggregationen, effizienter Visualisierung von Big Data und maschinellem Lernen auf großen Datensätzen. Wenden Sie sie an, wenn Benutzer mit großen CSV/HDF5/Arrow/Parquet-Dateien arbeiten müssen, schnelle Statistiken auf massiven Datensätzen durchführen, Visualisierungen von Big Data erstellen oder ML-Pipelines erstellen, die nicht in den Speicher passen.