Claude Skills
Centre de Ressources

Plateforme de laboratoire en nuage pour les tests et la validation automatisés des protéines. Utilisez-la lors de la conception de protéines et lorsque vous avez besoin de validation expérimentale incluant des tests de liaison, des tests d'expression, des mesures de thermostabilité, des tests d'activité enzymatique ou l'optimisation des séquences protéiques. Utilisez-la également pour soumettre des expériences via API, suivre l'état des expériences, télécharger les résultats, optimiser les séquences protéiques pour une meilleure expression à l'aide d'outils informatiques (NetSolP, SoluProt, SolubleMPNN, ESM) ou gérer les flux de travail de conception de protéines avec validation en laboratoire humide.

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.

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

Kit complet d'optimisation de l'App Store (ASO) pour la recherche, l'optimisation et le suivi des performances des applications mobiles sur Apple App Store et Google Play Store

Inférer des réseaux de régulation génétique (GRN) à partir de données d'expression génétique à l'aide d'algorithmes évolutifs (GRNBoost2, GENIE3). Utiliser lors de l'analyse de données transcriptomiques (bulk RNA-seq, single-cell RNA-seq) pour identifier les relations facteur de transcription-gène cible et les interactions régulatrices. Prend en charge le calcul distribué pour les ensembles de données à grande échelle.

Test de compétence pour la substitution d'arguments

Cadre d'agent AI biomédical autonome pour l'exécution de tâches de recherche complexes dans les domaines de la génomique, de la découverte de médicaments, de la biologie moléculaire et de l'analyse clinique. Utilisez cette compétence lors de la conduite de recherches biomédicales à plusieurs étapes, y compris la conception de criblages CRISPR, l'analyse RNA-seq à cellule unique, la prédiction ADMET, l'interprétation des GWAS, le diagnostic de maladies rares ou l'optimisation des protocoles de laboratoire. Exploite le raisonnement LLM avec exécution de code et bases de données biomédicales intégrées.

Automatisation, débogage et analyse des performances des navigateurs à l'aide de scripts CLI Puppeteer. Utilisez-le pour automatiser des navigateurs, prendre des captures d'écran, analyser des performances, surveiller le trafic réseau, effectuer du web scraping, automatiser des formulaires et déboguer du JavaScript.

Cadre d'informatique quantique pour construire, simuler, optimiser et exécuter des circuits quantiques. Utilisez cette compétence lors du travail sur des algorithmes quantiques, la conception de circuits quantiques, la simulation quantique (sans bruit ou bruyante), l'exécution sur du matériel quantique (Google, IonQ, AQT, Pasqal), l'optimisation et la compilation de circuits, la modélisation et la caractérisation du bruit, ou les expériences quantiques et le benchmarking (VQE, QAOA, QPE, benchmarking randomisé).

Claude Code est l'outil de codage agentif d'Anthropic qui réside dans le terminal et aide à transformer des idées en code plus rapidement. Il combine la planification autonome, l'exécution et la validation avec une extensibilité via des compétences, des plugins, des serveurs MCP et des hooks. Utilisez-le quand les utilisateurs ont besoin d'aide avec : - Comprendre Claude Code f...

Expert sur Claude Code CLI, compétences, commandes, hooks, plugins, MCP, paramètres et flux de travail. Se déclenche sur claude code, cli, skill, command, hook, plugin, mcp, slash command, settings

Créateur interactif de commandes slash pour Claude Code. Se déclenche lorsque l'utilisateur mentionne la création de commandes, de commandes slash, de modèles de commandes, d'arguments de commandes ou veut construire un nouveau flux de travail de commande.

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.

Calcul parallèle/distribué. Écaler pandas/NumPy au-delà de la mémoire, DataFrames/tableaux parallèles, traitement multi-fichiers, graphes de tâches, pour les jeux de données plus grands que la RAM et les flux de travail parallèles.

Wrapper Pythonique autour de RDKit avec une interface simplifiée et des valeurs par défaut judicieuses. Préféré pour la découverte de médicaments standard : analyse SMILES, normalisation, descripteurs, empreintes digitales, regroupement, conformères 3D, traitement parallèle. Retourne des objets rdkit.Chem.Mol natifs. Pour un contrôle avancé ou des paramètres personnalisés, utilisez directement rdkit.

Interface Python pour OpenMS destinée à l'analyse de données de spectrométrie de masse. Utilisez-la pour les flux de travail en protéomique et métabolomique LC-MS/MS, y compris la gestion des fichiers (mzML, mzXML, mzTab, FASTA, pepXML, protXML, mzIdentML), le traitement du signal, la détection de caractéristiques, l'identification des peptides et l'analyse quantitative. Appliquez-la lors du travail avec des données de spectrométrie de masse, de l'analyse d'expériences en protéomique ou du traitement de jeux de données en métabolomique.

Cadre systématique pour l'évaluation des travaux universitaires et de recherche basé sur la méthodologie ScholarEval. Cette compétence doit être utilisée lors de l'évaluation de papiers de recherche, de la notation des synthèses bibliographiques, de la notation des méthodologies de recherche, de l'analyse de la qualité de l'écriture scientifique ou de l'application de critères d'évaluation structurés aux travaux académiques. Fournit une évaluation complète sur plusieurs dimensions, notamment la formulation du problème, la synthèse bibliographique, la méthodologie, la collecte de données, l'analyse, l'interprétation des résultats et la qualité de l'écriture universitaire.

Rédiger des manuscrits scientifiques. Structure IMRAD, citations (APA/AMA/Vancouver), figures/tables, lignes directrices de rapport (CONSORT/STROBE/PRISMA), résumés, pour des articles de recherche et des soumissions à des revues.

Machine learning en Python avec scikit-learn. Utilisez-le lors du travail avec l'apprentissage supervisé (classification, régression), l'apprentissage non supervisé (clustering, réduction de dimension), l'évaluation de modèles, l'ajustement d'hyperparamètres, le prétraitement ou la construction de pipelines ML. Fournit une documentation de référence complète pour les algorithmes, les techniques de prétraitement, les pipelines et les bonnes pratiques.

Cette compétence doit être utilisée lors de l'analyse de données omique à cellule unique avec scvi-tools, y compris scRNA-seq, scATAC-seq, CITE-seq, transcriptomique spatiale et d'autres modalités à cellule unique. Utilisez cette compétence pour la modélisation probabiliste, la correction de lot, la réduction de dimension, l'expression différentielle, l'annotation des types de cellules, l'intégration multimodale et les tâches d'analyse spatiale.

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.

Réduction de dimensionnalité UMAP. Apprentissage rapide de variété non linéaire pour la visualisation 2D/3D, prétraitement pour le clustering (HDBSCAN), UMAP supervisé/paramétrique, pour les données de haute dimension.

Utilisez cette compétence pour traiter et analyser de grands ensembles de données tabulaires (bilions de lignes) qui dépassent la RAM disponible. Vaex excelle dans les opérations DataFrame hors cœur, l'évaluation paresseuse, les agrégations rapides, la visualisation efficace de grands ensembles de données et l'apprentissage automatique sur de grands ensembles de données. Appliquez-la lorsque les utilisateurs ont besoin de travailler avec de grands fichiers CSV/HDF5/Arrow/Parquet, d'effectuer des statistiques rapides sur des ensembles de données massifs, de créer des visualisations de grands ensembles de données ou de construire des pipelines de ML qui ne tiennent pas en mémoire.