📊 Datos e IA

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.

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.