Cette compétence doit être utilisée lors du travail avec des données d'intervalles génomiques (fichiers BED) pour des tâches d'apprentissage automatique. Utilisez-la pour former des embeddings de régions (Region2Vec, BEDspace), l'analyse ATAC-seq à cellule unique (scEmbed), la construction de pics consensuels (univers), ou toute analyse basée sur l'apprentissage automatique des régions génomiques. S'applique à des collections de fichiers BED, des données ATAC-seq à cellule unique, des ensembles de données d'accessibilité chromatinienne et l'apprentissage de caractéristiques génomiques basées sur des régions.
CE QUE VOUS DEVENEZ
Parfait pour ces scénarios
Identifiez et résolvez rapidement les bugs du front-end en capturant des captures d'écran et des journaux.
Vérifiez les mises en page des applications Web sur plusieurs appareils et tailles d'écran avec Playwright.
Exécutez des tests de bout en bout automatiquement pour détecter les régressions avant le déploiement.
Prenez des captures d'écran des flux utilisateurs critiques pour la documentation ou les rapports de bugs.
GAIN MESURÉ
Avantages prouvés et impact mesurable
Automatisez les tests d'interface utilisateur répétitifs pour réduire le temps de test de moitié.
Identifiez 3 fois plus rapidement les bugs de l'interface grâce à des journaux détaillés et des captures d'écran.
Atteignez une couverture quasi complète des chemins utilisateurs critiques avec Playwright.
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
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.
Cette compétence doit être utilisée lors du travail avec des matrices de données annotées en Python, en particulier pour l'analyse génomique à cellule unique, la gestion des mesures expérimentales avec des métadonnées, ou le traitement de jeux de données biologiques à grande échelle. Utilisez-la lors de tâches impliquant des objets AnnData, des fichiers h5ad, des données de RNA-seq à cellule unique ou une intégration avec les outils scanpy/scverse.
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.
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.