Claude Skills
资源中心

用于自动化蛋白质测试和验证的云实验室平台。当设计蛋白质并需要实验验证（包括结合测定、表达测试、热稳定性测量、酶活性测定或蛋白质序列优化）时使用。也用于通过API提交实验、跟踪实验状态、下载结果、使用计算工具（NetSolP、SoluProt、SolubleMPNN、ESM）优化蛋白质序列以获得更好的表达，或通过湿实验室验证管理蛋白质设计工作流程。

该技能适用于时间序列机器学习任务，包括分类、回归、聚类、预测、异常检测、分割和相似性搜索。当处理时间数据、序列模式或需要标准机器学习方法之外的专用算法的时间索引观测值时使用。特别适合具有scikit-learn兼容API的单变量和多变量时间序列分析。

Claude代码代理生成系统，该系统遵循成熟的生产模式，创建带有增强型YAML前端配置、工具访问模式和MCP集成支持的自定义代理和子代理

完整的应用商店优化（ASO）工具包，用于研究、优化和跟踪苹果应用商店和谷歌Play商店上的移动应用性能

使用可扩展算法（GRNBoost2、GENIE3）从基因表达数据推断基因调控网络（GRN）。在分析转录组数据（批量RNA-seq、单细胞RNA-seq）时使用，以识别转录因子-靶基因关系和调控相互作用。支持对大规模数据集的分布式计算。

参数替换测试技巧

用于在基因组学、药物发现、分子生物学和临床分析领域执行复杂研究任务的自主生物医学AI代理框架。在开展包括CRISPR筛选设计、单细胞RNA-seq分析、ADMET预测、GWAS解释、罕见病诊断或实验室方案优化在内的多步骤生物医学研究时使用此技能。利用LLM推理结合代码执行和集成的生物医学数据库。

使用 Puppeteer CLI 脚本进行浏览器自动化、调试和性能分析。用于浏览器自动化、截图、性能分析、网络流量监控、网页抓取、表单自动化和 JavaScript 调试。

用于构建、模拟、优化和执行量子电路的量子计算框架。在处理量子算法、量子电路设计、量子模拟（无噪声或有噪声）、在量子硬件（谷歌、IonQ、AQT、Pasqal）上运行、电路优化与编译、噪声建模与表征或量子实验与基准测试（VQE、QAOA、QPE、随机基准测试）时使用此技能。

Claude Code是Anthropic的智能编码工具，运行在终端中，可帮助将想法更快地转化为代码。它将自主规划、执行和验证与通过技能、插件、MCP服务器和钩子实现的可扩展性相结合。当用户需要以下帮助时使用：- 了解Claude Code f...

Claude 代码 CLI、技能、命令、钩子、插件、MCP、设置和工作流专家。会被 claude code、cli、skill、command、hook、plugin、mcp、斜杠命令、settings 触发。

Claude Code 的交互式斜杠命令创建器。当用户提到创建命令、斜杠命令、命令模板、命令参数或想要构建新的命令工作流时触发。

这个技能应在使用Python处理带注释的数据矩阵时使用，尤其是在单细胞基因组学分析、使用元数据管理实验测量或处理大规模生物数据集时。当任务涉及AnnData对象、h5ad文件、单细胞RNA-seq数据或与scanpy/scverse工具集成时使用。

并行/分布式计算。将 pandas/NumPy 扩展到内存之外，支持并行 DataFrame/数组、多文件处理、任务图，适用于大于内存的数据集和并行工作流。

围绕RDKit的Python化包装器，具有简化的界面和合理的默认值。适用于标准药物发现：SMILES解析、标准化、描述符、指纹、聚类、3D构象、并行处理。返回原生rdkit.Chem.Mol对象。如需高级控制或自定义参数，请直接使用rdkit。

用于质谱数据分析的OpenMS的Python接口。用于LC-MS/MS蛋白质组学和代谢组学工作流，包括文件处理（mzML、mzXML、mzTab、FASTA、pepXML、protXML、mzIdentML）、信号处理、特征检测、肽段鉴定和定量分析。在处理质谱数据、分析蛋白质组学实验或处理代谢组学数据集时应用。

基于ScholarEval方法评估学术和研究工作的系统框架。在评估研究论文、评估文献综述、为研究方法评分、分析科学写作质量或对学术工作应用结构化评估标准时，应使用此技能。该框架从问题阐述、文献综述、研究方法、数据收集、分析、结果解释以及学术写作质量等多个维度提供全面评估。

撰写科学手稿。IMRAD结构、参考文献格式（APA/AMA/Vancouver）、图表、报告指南（CONSORT/STROBE/PRISMA）、摘要，适用于研究论文和期刊投稿。

使用scikit-learn的Python机器学习。在处理监督学习（分类、回归）、无监督学习（聚类、降维）、模型评估、超参数调优、预处理或构建机器学习管道时使用。提供算法、预处理技术、管道和最佳实践的综合参考文档。

在使用scvi-tools处理单细胞组学数据分析时应使用此技能，包括scRNA-seq、scATAC-seq、CITE-seq、空间转录组学和其他单细胞模态。可将此技能用于概率建模、批次校正、降维、差异表达、细胞类型注释、多模态整合和空间分析任务。

图神经网络（PyG）。节点/图分类、链路预测、GCN、GAT、GraphSAGE、异构图、分子性质预测，用于几何深度学习。

UMAP降维。针对高维数据的2D/3D可视化、聚类预处理（HDBSCAN）、有监督/参数化UMAP的快速非线性流形学习。

当要处理和分析超过可用RAM的大型表格数据集（数十亿行）时，请使用此技能。Vaex擅长核心外DataFrame操作、惰性计算、快速聚合、大数据的高效可视化以及大型数据集上的机器学习。当用户需要处理大型CSV/HDF5/Arrow/Parquet文件、对海量数据集执行快速统计、创建大数据可视化或构建内存中无法容纳的ML管道时，请应用此技能。