Claude Skills
Centro de Recursos

Plataforma de laboratorio en la nube para pruebas y validación automáticas de proteínas. Utilícelo al diseñar proteínas y necesitar validación experimental que incluya ensayos de unión, pruebas de expresión, mediciones de termostabilidad, ensayos de actividad enzimática o optimización de secuencias de proteínas. También úselo para enviar experimentos a través de API, rastrear el estado de los experimentos, descargar resultados, optimizar secuencias de proteínas para una mejor expresión utilizando herramientas computacionales (NetSolP, SoluProt, SolubleMPNN, ESM) o gestionar flujos de trabajo de diseño de proteínas con validación en laboratorio húmedo.

Esta habilidad debería usarse para tareas de aprendizaje automático de series temporales que incluyen clasificación, regresión, agrupamiento, pronóstico, detección de anomalías, segmentación y búsqueda de similitud. Usarla al trabajar con datos temporales, patrones secuenciales o observaciones indexadas en el tiempo que requieren algoritmos especializados más allá de los enfoques de ML estándar. Especialmente adecuada para análisis de series temporales univariadas y multivariadas con APIs compatibles con scikit-learn.

Sistema de generación de agentes de código Claude que crea agentes personalizados y subagentes con frontmatter YAML mejorado, patrones de acceso a herramientas y soporte para integración MCP siguiendo patrones de producción probados

Conjunto completo de herramientas de Optimización de Tiendas de Aplicaciones (ASO) para investigar, optimizar y seguir el rendimiento de aplicaciones móviles en la App Store de Apple y en Google Play Store

Infiere redes reguladoras genéticas (GRN) a partir de datos de expresión genética usando algoritmos escalables (GRNBoost2, GENIE3). Utilice cuando analice datos transcriptómicos (RNA-seq en lote, RNA-seq de célula única) para identificar relaciones de factor de transcripción-gen objetivo y interacciones reguladoras. Soporta cómputo distribuido para conjuntos de datos a gran escala.

Prueba de habilidad para substitución de argumentos

Marco de agente IA biomédico autónomo para ejecutar tareas de investigación complejas en genómica, descubrimiento de fármacos, biología molecular y análisis clínico. Use esta habilidad al realizar investigación biomédica de varios pasos, incluyendo diseño de cribados CRISPR, análisis de RNA-seq de célula única, predicción de ADMET, interpretación de GWAS, diagnóstico de enfermedades raras o optimización de protocolos de laboratorio. Aprovecha el razonamiento LLM con ejecución de código y bases de datos biomédicas integradas.

Automatización de navegadores, depuración y análisis de rendimiento mediante scripts CLI de Puppeteer. Usar para automatizar navegadores, tomar capturas de pantalla, analizar rendimiento, monitorear tráfico de red, raspado web, automatización de formularios y depuración de JavaScript.

Marco de computación cuántica para construir, simular, optimizar y ejecutar circuitos cuánticos. Utilice esta habilidad al trabajar con algoritmos cuánticos, diseño de circuitos cuánticos, simulación cuántica (sin ruido o con ruido), ejecución en hardware cuántico (Google, IonQ, AQT, Pasqal), optimización y compilación de circuitos, modelado y caracterización de ruido, o experimentos y benchmarking cuánticos (VQE, QAOA, QPE, benchmarking aleatorizado).

Claude Code es la herramienta de codificación agentica de Anthropic que reside en la terminal y ayuda a convertir ideas en código más rápido. Combina planificación, ejecución y validación autónomas con extensibilidad mediante habilidades, complementos, servidores MCP y ganchos. Usar cuando los usuarios necesiten ayuda con: - Entender Claude Code f...

Experto en Claude Code CLI, habilidades, comandos, hooks, plugins, MCP, configuraciones y flujos de trabajo. Se activa en claude code, cli, habilidad, comando, hook, plugin, mcp, comando slash, configuraciones

Creador interactivo de comandos con barra diagonal para Claude Code. Se activa cuando el usuario menciona la creación de comandos, comandos con barra diagonal, plantillas de comandos, argumentos de comandos o quiere construir un nuevo flujo de trabajo de comandos.

Esta habilidad se debe usar cuando se trabaja con matrices de datos anotados en Python, especialmente para análisis de genómica de células individuales, gestión de mediciones experimentales con metadatos o manejo de conjuntos de datos biológicos a gran escala. Usarla cuando las tareas involucren objetos AnnData, archivos h5ad, datos de RNA-seq de células individuales o integración con herramientas scanpy/scverse.

Cálculo paralelo/distribuido. Escalar pandas/NumPy más allá de la memoria, DataFrames/Arrays paralelos, procesamiento de múltiples archivos, grafos de tareas, para conjuntos de datos más grandes que la memoria RAM y flujos de trabajo paralelos.

Envoltura pythonica alrededor de RDKit con interfaz simplificada y valores predeterminados sensatos. Preferida para descubrimiento de fármacos estándar: análisis de SMILES, estandarización, descriptores, huellas digitales, agrupamiento, conformadores 3D, procesamiento paralelo. Devuelve objetos nativo rdkit.Chem.Mol. Para control avanzado o parámetros personalizados, use rdkit directamente.

Interfaz Python para OpenMS para análisis de datos de espectrometría de masas. Usar para flujos de trabajo de proteómica y metabolómica LC-MS/MS incluyendo manejo de archivos (mzML, mzXML, mzTab, FASTA, pepXML, protXML, mzIdentML), procesamiento de señales, detección de características, identificación de péptidos y análisis cuantitativo. Aplicar cuando se trabaje con datos de espectrometría de masas, se analicen experimentos de proteómica o se procesen conjuntos de datos de metabolómica.

Marco sistemático para evaluar trabajos académicos e investigativos basado en la metodología ScholarEval. Esta habilidad debe usarse al evaluar artículos de investigación, evaluar revisiones literarias, puntuar metodologías de investigación, analizar la calidad de la escritura científica o aplicar criterios de evaluación estructurados a trabajos académicos. Proporciona una evaluación integral en múltiples dimensiones que incluyen formulación del problema, revisión literaria, metodología, recolección de datos, análisis, interpretación de resultados y calidad de la escritura académica.

Escribir manuscritos científicos. Estructura IMRAD, citas (APA/AMA/Vancouver), figuras/tablas, directrices de informe (CONSORT/STROBE/PRISMA), resúmenes, para artículos de investigación y envíos a revistas.

Machine learning en Python con scikit-learn. Usar cuando se trabaje con aprendizaje supervisado (clasificación, regresión), aprendizaje no supervisado (agrupamiento, reducción de dimensionalidad), evaluación de modelos, ajuste de hiperparámetros, preprocesamiento o construcción de pipelines de ML. Proporciona documentación de referencia integral para algoritmos, técnicas de preprocesamiento, pipelines y buenas prácticas.

Esta habilidad debe utilizarse cuando se trabaja con análisis de datos de omica de célula única usando scvi-tools, incluyendo scRNA-seq, scATAC-seq, CITE-seq, transcriptómica espacial y otras modalidades de célula única. Utilice esta habilidad para modelado probabilístico, corrección de lotes, reducción de dimensionalidad, expresión diferencial, anotación de tipos celulares, integración multimodal y tareas de análisis espacial.

Redes Neuronales Gráficas (PyG). Clasificación de nodos/graficas, predicción de enlaces, GCN, GAT, GraphSAGE, graficas heterogéneas, predicción de propiedades moleculares, para aprendizaje profundo geométrico.

Reducción de dimensionalidad UMAP. Aprendizaje de variedades no lineales rápido para visualización 2D/3D, preprocesamiento de agrupamiento (HDBSCAN), UMAP supervisado/paramétrico, para datos de alta dimensión.

Utiliza esta habilidad para procesar y analizar grandes conjuntos de datos tabulares (mil millones de filas) que exceden la RAM disponible. Vaex destaca en operaciones de DataFrame out-of-core, evaluación diferida, agregaciones rápidas, visualización eficiente de big data y aprendizaje automático en grandes conjuntos de datos. Aplícala cuando los usuarios necesiten trabajar con archivos grandes CSV/HDF5/Arrow/Parquet, realizar estadísticas rápidas en conjuntos de datos masivos, crear visualizaciones de big data o construir pipelines de ML que no caben en la memoria.