Système de contrôle de version Jujutsu (jj) - un VCS compatible Git avec des fonctionnalités nouvelles. Utilisez-le lors de la travail avec des dépôts jj, de la gestion de commits empilés/dépendants, si vous avez besoin de réinitialisation automatique avec une gestion de conflits de première classe, d'utilisation de revsets pour sélectionner des commits, ou si vous voulez améliorer les flux de travail Git. Déclenché par des mentions de « jj », « jujutsu », des IDs de changement, journal des opérations, ou des commandes spécifiques à jj.
CE QUE VOUS DEVENEZ
Parfait pour ces scénarios
Les cliniciens vérifient rapidement la signification clinique des variantes génétiques via la base de données ClinVar pour poser un diagnostic
Les bioinformaticiens annotent les VCF avec les données de ClinVar dans le cadre de leurs pipelines de recherche
Les chercheurs interrogent les variantes par gène ou position pour des études ciblées
Générer des rapports d'interprétation des variants avec les classifications ClinVar pour les patients
GAIN MESURÉ
Avantages prouvés et impact mesurable
Réduisez le temps d'interprétation manuelle des variantes de quelques heures à quelques minutes
Exploiter les données sélectionnées de ClinVar pour réduire les taux de mauvaise classification des variantes
Automatiser les tâches d'annotation pour réduire le temps d'exécution du pipeline de bio-informatique
CE QUE VOUS OBTENEZ
Fichiers, tags et installation en trois étapes
Conseil : Lisez la documentation et le code avant la première utilisation pour connaître son rôle et les permissions requises.
SCRIPTS SUIVANTS
Recommandé selon les tags et la catégorie
Système de génération d'agents de code Claude qui crée des agents et sous-agents personnalisés avec un en-tête YAML amélioré, des modèles d'accès aux outils et un support d'intégration MCP conformément à des modèles de production éprouvés
Générez et maintenez les fichiers AGENTS.md conformément à la convention publique agents.md. Utilisez-le lors de la création de documentation pour les flux de travail des agents IA, les guides d’intégration ou lors de la standardisation des modèles d’interaction des agents à travers les projets.
Cette compétence doit être utilisée pour les tâches d'apprentissage automatique sur séries temporelles, y compris la classification, la régression, le clustering, la prévision, la détection d'anomalies, la segmentation et la recherche de similarité. Utilisez-la lors du travail avec des données temporelles, des motifs séquentiels ou des observations indexées dans le temps nécessitant des algorithmes spécialisés au-delà des approches ML standard. Particulièrement adaptée à l'analyse de séries temporelles univariées et multivariées avec des APIs compatibles scikit-learn.
Accédez aux plus de 200 millions de structures de protéines prédites par l'IA d'AlphaFold. Récupérez les structures par ID UniProt, téléchargez les fichiers PDB/mmCIF, analysez les indicateurs de confiance (pLDDT, PAE), pour la découverte de médicaments et la biologie structurale.