Accede a la Plataforma de Metabolómica del NIH mediante API REST (más de 4.200 estudios). Consulta metabolitos, nomenclatura RefMet, datos MS/NMR, búsquedas m/z, metadatos de estudios, para metabolómica y descubrimiento de biomarcadores.
EN LO QUE TE CONVIERTES
Perfecto para estos escenarios
Procesa miles de millones de filas de datos CSV/HDF5 sin limitaciones de memoria.
Calcula estadísticas y operaciones de agrupación al instante en conjuntos de datos masivos.
Crea gráficos e histogramas interactivos para conjuntos de datos más grandes que la RAM.
Entrena modelos de machine learning con datasets que no caben en memoria.
GANANCIA MEDIBLE
Beneficios probados e impacto medible
Procesa grandes conjuntos de datos hasta 10 veces más rápido que las soluciones en memoria.
Maneja conjuntos de datos 100 veces más grandes que tu RAM disponible con evaluación perezosa.
Reducir el tiempo de lectura del disco en un 50% usando archivos mapeados en memoria y streaming.
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
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 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.
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.