Docking molecular basado en difusión. Predicción de poses de unión proteína-ligando desde PDB/SMILES, puntuaciones de confianza, cribado virtual, para diseño de fármacos basado en estructura. No para predicción de afinidad.
EN LO QUE TE CONVIERTES
Perfecto para estos escenarios
Construir componentes reutilizables de React/TypeScript siguiendo las mejores prácticas para la escalabilidad.
Implementa la carga diferida, Suspense y el almacenamiento en caché para mejorar la velocidad de la aplicación.
Estructura las bases de código usando un directorio de features para una arquitectura mantenible.
Aplica patrones de diseño consistentes utilizando la tematización de Material-UI v7.
GANANCIA MEDIBLE
Beneficios probados e impacto medible
Reduce el tiempo de configuración con patrones de React/TypeScript preconfigurados.
Detecta errores desde el principio con el modo estricto de TypeScript y las reglas de linting.
Acelera la incorporación de nuevos empleados con estándares de codificación claros.
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 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.
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
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.