Redes Neuronales Gráficas (PyG). Clasificación de nodos/graficas, predicción de enlaces, GCN, GAT, GraphSAGE, graficas heterogéneas, predicción de propiedades moleculares, para aprendizaje profundo geométrico.
EN LO QUE TE CONVIERTES
Perfecto para estos escenarios
Revisa las tareas de una historia, asegurando la alineación de los Criterios de Aceptación (AC) y el enfoque técnico.
Verifica que los casos de prueba cubran los escenarios basados en riesgos y cumplan con los estándares de calidad.
Proporciona notas claras de rehacer o soluciones para las tareas que no pasan la revisión.
Garantiza que los documentos de la tarea estén completos, sean precisos y estén actualizados.
GANANCIA MEDIBLE
Beneficios probados e impacto medible
Reduce a la mitad el tiempo de revisión de tareas con comprobaciones y comentarios automatizados.
Reduce los ciclos de retrabajo al proporcionar comentarios precisos y procesables.
Acelera la finalización de historias con una revisión y corrección de tareas eficiente.
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.
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.
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