Esta habilidad debe usarse al trabajar con datos de intervalos genómicos (archivos BED) para tareas de aprendizaje automático. Úsela para entrenar incrustaciones de regiones (Region2Vec, BEDspace), análisis de ATAC-seq de célula única (scEmbed), construcción de picos de consenso (universos) o cualquier análisis basado en ML de regiones genómicas. Aplica a colecciones de archivos BED, datos de ATAC-seq de célula única, conjuntos de datos de accesibilidad de cromatina y aprendizaje de características genómicas basadas en regiones.
EN LO QUE TE CONVIERTES
Perfecto para estos escenarios
Identifica y resuelve errores de frontend rápidamente capturando capturas de pantalla y registros.
Verifica los diseños de aplicaciones web en múltiples dispositivos y tamaños de pantalla con Playwright.
Ejecuta pruebas de un extremo a otro automáticamente para detectar regresiones antes del despliegue.
Toma capturas de pantalla de los flujos de usuario críticos para documentación o informes de errores.
GANANCIA MEDIBLE
Beneficios probados e impacto medible
Automatiza las pruebas de IU repetitivas para reducir a la mitad el tiempo de prueba.
Localiza errores de UI 3 veces más rápido con registros detallados y capturas de pantalla.
Alcanza una cobertura casi completa de las rutas de usuario críticas con Playwright.
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
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.
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.
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.
Acceda a más de 200 millones de estructuras de proteínas predichas por IA de AlphaFold. Recupere estructuras por ID de UniProt, descargue archivos PDB/mmCIF, analice métricas de confianza (pLDDT, PAE) para la descubrimiento de fármacos y la biología estructural.