Claude Skills
리소스 허브

자동화된 단백질 테스트 및 검증을 위한 클라우드 실험실 플랫폼입니다. 단백질을 설계하고 결합 분석, 발현 테스트, 열안정성 측정, 효소 활성 분석 또는 단백질 서열 최적화를 포함한 실험적 검증이 필요할 때 사용하세요. 또한 API를 통해 실험을 제출하고, 실험 상태를 추적하며, 결과를 다운로드하고, 계산 도구(NetSolP, SoluProt, SolubleMPNN, ESM)를 사용하여 발현을 개선하기 위해 단백질 서열을 최적화하거나, 습식 실험 검증을 통한 단백질 설계 워크플로를 관리할 때도 사용하세요.

이 기술은 분류, 회귀, 클러스터링, 예측, 이상 탐지, 분할 및 유사성 검색을 포함한 시계열 머신러닝 작업에 사용해야 합니다. 표준 ML 접근법을 넘어 전문 알고리즘이 필요한 시간적 데이터, 순차 패턴 또는 시간 인덱스 관측을 처리할 때 사용하세요. 특히 scikit-learn과 호환되는 API로 단변량 및 다변량 시계열 분석에 적합합니다.

Claude Code agent 생성 시스템은 강화된 YAML 프론트매터, 도구 접근 패턴, 그리고 검증된 프로덕션 패턴을 따르는 MCP 통합 지원과 함께 사용자 정의 에이전트와 서브에이전트를 생성합니다

Apple App Store와 Google Play Store에서 모바일 앱 성능을 연구, 최적화 및 추적하는 완전한 App Store Optimization (ASO) 툴킷

스케일 가능한 알고리즘(GRNBoost2, GENIE3)을 사용하여 유전자 발현 데이터에서 유전자 조절 네트워크(GRN)를 추론합니다. 전사체 분석 데이터(bulk RNA-seq, single-cell RNA-seq)를 분석할 때 전사 인자-표적 유전자 관계와 조절 상호작용을 식별하기 위해 사용합니다. 대규모 데이터셋에 대한 분산 계산을 지원합니다.

인수 대체용 테스트 기술

유전체학, 약물 발견, 분자생물학 및 임상 분석에 걸쳐 복잡한 연구 작업을 실행하기 위한 자율 생물의학 AI 에이전트 프레임워크입니다. CRISPR 스크리닝 설계, 단일 세포 RNA-seq 분석, ADMET 예측, GWAS 해석, 희귀 질병 진단 또는 실험실 프로토콜 최적화를 포함한 다단계 생물의학 연구를 수행할 때 이 기술을 사용하세요. LLM 추론과 코드 실행 및 통합 생물의학 데이터베이스를 활용합니다.

Puppeteer CLI 스크립트를 사용한 브라우저 자동화, 디버깅 및 성능 분석. 브라우저 자동화, 스크린샷 찍기, 성능 분석, 네트워크 트래픽 모니터링, 웹 스크래핑, 양식 자동화 및 JavaScript 디버깅에 사용하세요.

양자 회로를 구축, 시뮬레이션, 최적화 및 실행하기 위한 양자 컴퓨팅 프레임워크. 양자 알고리즘, 양자 회로 설계, 양자 시뮬레이션(무잡음 또는 잡음), 양자 하드웨어(구글, IonQ, AQT, Pasqal)에서 실행, 회로 최적화 및 컴파일, 잡음 모델링 및 특성화, 또는 양자 실험 및 벤치마킹(VQE, QAOA, QPE, 랜덤 벤치마킹) 작업 시 이 기능을 사용하십시오.

Claude Code는 Anthropic의 터미널에 존재하는 에이전틱 코딩 도구로, 아이디어를 보다 빠르게 코드로 전환하는 데 도움을 줍니다. 자율 계획, 실행, 검증 기능과 함께 스킬, 플러그인, MCP 서버 및 훅을 통한 확장성을 결합합니다. 다음 경우 사용하세요: - Claude Code f 이해하기...

Claude Code CLI, 기술, 명령, 후크, 플러그인, MCP, 설정 및 워크플로우에 대한 전문가입니다. claude code, cli, skill, command, hook, plugin, mcp, 슬래시 명령, settings에서 트리거됩니다.

Claude Code용 상호작용형 슬래시 명령어 생성기입니다. 사용자가 명령어 생성, 슬래시 명령어, 명령어 템플릿, 명령어 인수에 대해 언급하거나 새로운 명령어 워크플로우를 구축하려고 할 때 트리거됩니다.

이 스킬은 Python에서 주석이 달린 데이터 행렬을 작업할 때 사용해야 합니다. 특히 단일 세포 유전체 분석, 메타데이터가 포함된 실험 측정 관리, 또는 대규모 생물학적 데이터 세트 처리에 사용합니다. AnnData 객체, h5ad 파일, 단일 세포 RNA-seq 데이터, 또는 scanpy/scverse 도구와의 통합이 포함된 작업에서 사용하세요.

병렬/분산 컴퓨팅. pandas/NumPy를 메모리 이상으로 확장, 병렬 DataFrames/Arrays, 다중 파일 처리, 작업 그래프, 메모리보다 큰 데이터셋 및 병렬 워크플로우용.

Pythonic wrapper around RDKit with simplified interface and sensible defaults. Preferred for standard drug discovery: SMILES parsing, standardization, descriptors, fingerprints, clustering, 3D conformers, parallel processing. Returns native rdkit.Chem.Mol objects. For advanced control or custom parameters, use rdkit directly. 한국어 번역: RDKit 주변에 단순화된 인터페이스와 합리적인 기본값을 가진 파이썬스러운 래퍼입니다. 표준 약물 발견에 선호되는 기능: SMILES 파싱, 표준화, 기술자, 지문, 클러스터링, 3D 구조체, 병렬 처리입니다. 기본 rdkit.Chem.Mol 객체를 반환합니다. 고급 제어나 사용자 정의 매개변수가 필요한 경우에는 직접 rdkit을 사용하세요.

질량 분석 데이터 분석용 OpenMS에 대한 Python 인터페이스. 파일 처리(mzML, mzXML, mzTab, FASTA, pepXML, protXML, mzIdentML), 신호 처리, 특징 검출, 펩티드 식별 및 정량 분석을 포함한 LC-MS/MS 단백질체학 및 대사체학 워크플로우에 사용하세요. 질량 분석 데이터 작업, 단백질체학 실험 분석 또는 대사체학 데이터셋 처리 시 적용하세요.

ScholarEval 방법론을 기반으로 학술 및 연구 작업을 평가하는 체계적인 프레임워크입니다. 이 기술은 연구 논문 평가, 문헌 고찰 평가, 연구 방법론 채점, 과학적 글쓰기 품질 분석 또는 학술 작업에 구조화된 평가 기준을 적용할 때 사용해야 합니다. 문제 공식화, 문헌 고찰, 방법론, 데이터 수집, 분석, 결과 해석 및 학술 글쓰기 품질을 포함한 여러 차원에 걸쳐 종합적인 평가를 제공합니다.

과학 논문 초안을 작성하세요. IMRAD 구조, 인용(APA/AMA/Vancouver), 그림/표, 보고 지침(CONSORT/STROBE/PRISMA), 초록 등 연구 논문 및 학술지 제출용 내용을 다룹니다.

scikit-learn을 활용한 Python 기계 학습. 지도 학습(분류, 회귀), 비지도 학습(클러스터링, 차원 축소), 모델 평가, 하이퍼파라미터 튜닝, 전처리 또는 ML 파이프라인 구축 시 사용합니다. 알고리즘, 전처리 기술, 파이프라인 및 모범 사례에 대한 종합 참고 문서를 제공합니다.

이 기술은 scRNA-seq, scATAC-seq, CITE-seq, 공간 전사체학 및 기타 단세포 모달리티를 포함한 scvi-tools를 사용한 단세포 오믹스 데이터 분석 시 사용되어야 합니다. 확률적 모델링, 배치 교정, 차원 축소, 차등 발현, 세포 유형 주석, 다중 모달 통합 및 공간 분석 작업에 이 기술을 사용하십시오.

그래프 신경망 (PyG). 기하학적 딥러닝을 위한 노드/그래프 분류, 링크 예측, GCN, GAT, GraphSAGE, 이종 그래프, 분자 속성 예측.

UMAP 차원 축소. 고차원 데이터에 대한 2D/3D 시각화, 클러스터링 전처리 (HDBSCAN), 지도/파라미터 UMAP용 고속 비선형 매니폴드 학습.

가용 RAM을 초과하는 대형 테이블 데이터 세트(수십억 개 행)를 처리하고 분석할 때 이 기능을 사용하세요. Vaex는 코어 외 DataFrame 연산, 지연 평가, 빠른 집계, 대형 데이터의 효율적인 시각화 및 대형 데이터 세트의 기계 학습에서 우수합니다. 사용자가 대형 CSV/HDF5/Arrow/Parquet 파일로 작업하거나, 대규모 데이터 세트에 대한 빠른 통계를 수행하거나, 대형 데이터의 시각화를 만들거나, 메모리에 맞지 않는 ML 파이프라인을 구축해야 할 때 적용하세요.