Interpretabilidad y explicabilidad de modelos utilizando SHAP (SHapley Additive exPlanations). Utilice esta habilidad al explicar predicciones de modelos de aprendizaje automático, calcular la importancia de características, generar gráficos SHAP (cascada, abejorro, barra, dispersión, fuerza, mapa de calor), depurar modelos, analizar el sesgo o equidad de los modelos, comparar modelos o implementar IA explicable. Funciona con modelos basados en árboles (XGBoost, LightGBM, Random Forest), aprendizaje profundo (TensorFlow, PyTorch), modelos lineales y cualquier modelo de caja negra.
EN LO QUE TE CONVIERTES
Perfecto para estos escenarios
Descubra inhibidores de alta afinidad para dianas proteicas específicas utilizando datos de bioactividad.
Analizar las relaciones estructura-actividad para optimizar los compuestos líderes para el desarrollo de fármacos.
Realizar cribados de bibliotecas de moléculas para encontrar las propiedades farmacológicas y los perfiles de actividad deseados.
Identificar fármacos existentes con potencial eficacia contra nuevos blancos de enfermedad.
GANANCIA MEDIBLE
Beneficios probados e impacto medible
Reduzca a la mitad el tiempo para confirmar la actividad del objetivo con consultas rápidas de compuestos.
Triplica la velocidad de identificación de compuestos líderes prometedores a través del acceso a datos estructurados.
Reduzca los costes experimentales dando prioridad a los compuestos con mayores tasas de éxito predichas.
QUÉ INCLUYE
Archivos, etiquetas y la instalación en tres pasos
Consejo: Lee la documentación y el código antes del primer uso para saber qué hace y qué permisos necesita.
SIGUIENTES GUIONES
Recomendado según etiquetas y categoría
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
Generar y mantener archivos AGENTS.md siguiendo la convención pública agents.md. Usar cuando se cree documentación para flujos de trabajo de agentes AI, guías de incorporación o cuando se estandaricen patrones de interacción de agentes en proyectos.
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.
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.