Réseaux de neurones graphiques (PyG). Classification de nœuds/graphes, prédiction de liens, GCN, GAT, GraphSAGE, graphes hétérogènes, prédiction des propriétés moléculaires, pour l'apprentissage profond géométrique.
CE QUE VOUS DEVENEZ
Parfait pour ces scénarios
Examine les tâches d'une user story, en s'assurant de l'alignement entre les critères d'acceptation (CA) et l'approche technique.
Vérifie que les cas de test couvrent les scénarios basés sur les risques et respectent les normes de qualité.
Fournit des notes de modification claires ou des corrections pour les tâches ayant échoué à la revue.
Garantit que les documents liés à la tâche sont complets, exacts et à jour.
GAIN MESURÉ
Avantages prouvés et impact mesurable
Divise par deux le temps de révision des tâches grâce aux vérifications et commentaires automatisés.
Réduit les cycles de corrections en fournissant des retours précis et exploitables.
Accélère la finalisation des stories grâce à une révision et correction efficace des tâches.
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 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.
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.
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