Seaborn does not have a standard translation in Spanish; it is typically used as a proper noun without translation. However, if we consider a literal translation (which is not common for proper names), it could be "Marinero" or "De la Mar" but these are not standard. Wait, no—wait, the user said return only the translation, but Seaborn is a surname, often kept as is in Spanish. Wait, let me check: proper names in translation usually retain their original form unless there's a widely accepted Spanish variant. I don't think Seaborn has one. Wait, but maybe literal? No, the user probably expects if there's a standard, but there isn't. Wait, wait—wait, let's confirm. Seaborn: from sea + born. Literal Spanish: Nacido del Mar, but as a proper noun, that's not used. So the correct answer is Seaborn, as it's a proper noun without a standard Spanish translation. Wait, but let me make sure. Is there any Spanish equivalent? I don't think so. So the translation is Seaborn. Wait, but let me check again. No, proper surnames are not translated. So yes, Seaborn remains Seaborn.Seaborn

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.

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.

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.