scientific

توليد أو تحرير الصور باستخدام نماذج الذكاء الاصطناعي (FLUX، Gemini). يُستخدم لأغراض توليد الصور العامة بما في ذلك الصور الفوتوغرافية، الرسوم التوضيحية، الأعمال الفنية، الأصول البصرية، فن المفهوم، وأي صورة ليست مخططًا تقنيًا أو تخطيطيًا. بالنسبة للمخططات الانسيابية، الدوائر، المسارات، والمخططات التقنية، استخدم مهارة المخططات العلمية بدلاً من ذلك.

حوّل الملفات ومستندات المكتب إلى Markdown. يدعم PDF، DOCX، PPTX، XLSX، الصور (مع التعرف الضوئي على الحروف OCR)، الصوت (مع النسخ)، HTML، CSV، JSON، XML، ZIP، روابط YouTube، EPubs والمزيد.

بناء عروض الشرائح والعروض التقديمية للمحاضرات البحثية. استخدم هذا لإنشاء شرائح PowerPoint، عروض المؤتمرات، محاضرات الندوات، العروض البحثية، شرائح الدفاع عن الرسائل العلمية، أو أي محاضرة علمية. يوفر هيكل الشرائح، قوالب التصميم، إرشادات التوقيت، والتحقق البصري. يعمل مع PowerPoint وLaTeX Beamer.

قيّم صرامة البحث. قيّم المنهجية، تصميم التجربة، الصلاحية الإحصائية، التحيزات، العوامل المربكة، جودة الأدلة (GRADE، Cochrane ROB)، من أجل تحليل نقدي للمطالبات العلمية.

إنشاء تقارير أبحاث سوق شاملة (أكثر من 50 صفحة) بأسلوب شركات الاستشارات الرائدة (ماكينزي، بي سي جي، جارتنر). يتميز بتنسيق LaTeX احترافي، وتوليد بصري واسع مع المخططات العلمية وgenerate-image، وتكامل عميق مع research-lookup لجمع البيانات، وتحليل استراتيجي متعدد الأُطُر يشمل قوى بورتر الخمسة، PESTLE، SWOT، TAM/SAM/SOM، ومصفوفة BCG.

إجراء مراجعات أدبية شاملة ومنهجية باستخدام قواعد بيانات أكاديمية متعددة (PubMed، arXiv، bioRxiv، Semantic Scholar، إلخ). يجب استخدام هذه المهارة عند إجراء مراجعات أدبية منهجية، التحليلات التلوية، تجميع الأبحاث، أو عمليات البحث الأدبي الشاملة عبر المجالات الطبية الحيوية، العلمية، والتقنية. ينشئ مستندات بتنسيق markdown وملفات PDF بشكل احترافي مع استشهادات موثقة بأنماط استشهاد متعددة (APA، Nature، Vancouver، إلخ).

مكتبة تفاعلية لتصوير البيانات العلمية والإحصائية بلغة بايثون. تُستخدم عند إنشاء المخططات، الرسوم البيانية، أو التصويرات بما في ذلك مخططات التشتت، مخططات الخطوط، مخططات الأعمدة، خرائط الحرارة، المخططات ثلاثية الأبعاد، الخرائط الجغرافية، التوزيعات الإحصائية، المخططات المالية، ولوحات المعلومات. تدعم كل من التصويرات السريعة (Plotly Express) والتخصيص الدقيق (graph objects). تُنتج ملفات HTML تفاعلية أو صور ثابتة (PNG، PDF، SVG).

مجموعة أدوات التحليل الإحصائي. اختبارات الفرضيات (اختبار t، ANOVA، اختبار كاي-تربيع)، الانحدار، الارتباط، الإحصاءات البايزية، تحليل القوة، فحوصات الافتراضات، التقارير وفقًا لدليل APA، للأبحاث الأكاديمية.

المهارة الأساسية لأداة البحث العميق والكتابة. كتابة المخطوطات العلمية في فقرات كاملة (عدم استخدام النقاط). استخدام عملية من مرحلتين: (1) إنشاء مخططات الأقسام مع النقاط الرئيسية باستخدام البحث-الاستعلام، (2) التحويل إلى نص متدفق. هيكل IMRAD، الاستشهادات (APA/AMA/Vancouver)، الأشكال/الجداول، إرشادات التقرير (CONSORT/STROBE/PRISMA)، للأوراق البحثية وتقديمات المجلات.

إنشاء رسوم بيانية للنشر باستخدام matplotlib/seaborn/plotly. تخطيطات متعددة الألواح، أشرطة الخطأ، علامات الدلالة، آمنة لضعاف الألوان، تصدير PDF/EPS/TIFF، للرسوم العلمية الجاهزة للنشر في المجلات.

شريك في توليد أفكار البحث. توليد الفرضيات، استكشاف الروابط متعددة التخصصات، تحدي الافتراضات، تطوير المنهجيات، تحديد فجوات البحث، من أجل حل المشكلات العلمية الإبداعي.

أنشئ ملصقات بحثية احترافية في LaTeX باستخدام beamerposter أو tikzposter أو baposter. دعم للعروض التقديمية في المؤتمرات، والملصقات الأكاديمية، والتواصل العلمي. يشمل تصميم التخطيط، مخططات الألوان، تنسيقات الأعمدة المتعددة، دمج الأشكال، وأفضل الممارسات الخاصة بالملصقات للتواصل البصري.

إدارة شاملة للاستشهادات للأبحاث الأكاديمية. ابحث في Google Scholar وPubMed عن الأوراق البحثية، استخرج بيانات وصفية دقيقة، تحقق من صحة الاستشهادات، وأنشئ مداخل BibTeX بتنسيق صحيح. يجب استخدام هذه المهارة عندما تحتاج إلى العثور على أوراق بحثية، التحقق من معلومات الاستشهاد، تحويل DOIs إلى BibTeX، أو ضمان دقة المراجع في الكتابة العلمية.

مكتبة رسم بياني أساسية. إنشاء مخططات خطية، نقاط تشتت، أعمدة، مخططات تكرارية، خرائط حرارية، ثلاثية الأبعاد، مخططات فرعية، تصدير PNG/PDF/SVG، للتصوير العلمي وأشكال النشر.

قم بإجراء عمليات بحث على الويب مدعومة بالذكاء الاصطناعي مع معلومات في الوقت الحقيقي باستخدام نماذج Perplexity عبر LiteLLM و OpenRouter. يجب استخدام هذه المهارة عند إجراء عمليات بحث على الويب للحصول على معلومات حالية، أو العثور على الأدبيات العلمية الحديثة، أو الحصول على إجابات موثوقة مع استشهادات بالمصادر، أو الوصول إلى معلومات تتجاوز حد معرفة النموذج. توفر الوصول إلى عدة نماذج Perplexity بما في ذلك Sonar Pro و Sonar Pro Search (البحث الوكلي المتقدم) و Sonar Reasoning Pro من خلال مفتاح API واحد لـ OpenRouter.

أنشئ مخططات علمية بجودة النشر باستخدام Nano Banana Pro AI مع تحسين ذكي تكراري. يستخدم Gemini 3 Pro لمراجعة الجودة. يعيد التوليد فقط إذا كانت الجودة أقل من العتبة لنوع مستندك. متخصص في هياكل الشبكات العصبية، مخططات النظام، المخططات الانسيابية، المسارات البيولوجية، والتصورات العلمية المعقدة.

قم بإجراء تحليل استكشافي شامل للبيانات على ملفات البيانات العلمية عبر أكثر من 200 صيغة ملف. يجب استخدام هذه المهارة عند تحليل أي ملف بيانات علمي لفهم هيكله ومحتواه وجودته وخصائصه. يكتشف نوع الملف تلقائيًا ويولد تقارير مفصلة بصيغة markdown مع تحليل خاص بكل صيغة، ومقاييس الجودة، وتوصيات التحليل اللاحق. يغطي الكيمياء، المعلوماتية الحيوية، الميكروسكوب، التحليل الطيفي، البروتيوميات، الميتابولوميات، وصيغ البيانات العلمية العامة.

ابحث عن معلومات الأبحاث الحالية باستخدام نماذج Sonar Pro Search أو Sonar Reasoning Pro من Perplexity عبر OpenRouter. يتم اختيار أفضل نموذج تلقائيًا بناءً على تعقيد الاستعلام. ابحث في الأوراق الأكاديمية، الدراسات الحديثة، الوثائق التقنية، والمعلومات البحثية العامة مع الاستشهادات.

الوصول المباشر إلى REST API لـ PubMed. استعلامات متقدمة باستخدام Boolean/MeSH، واجهة برمجة التطبيقات E-utilities، المعالجة الدُفعية، إدارة الاقتباسات. لتدفقات عمل Python، يُفضل استخدام biopython (Bio.Entrez). استخدم هذا للوصول المباشر عبر HTTP/REST أو لتنفيذات API مخصصة.

إطار عمل تحسين متعدد الأهداف. NSGA-II، NSGA-III، MOEA/D، جبهات باريتو، معالجة القيود، المعايير المرجعية (ZDT، DTLZ)، لمشاكل التصميم الهندسي والتحسين.

يجب استخدام هذه المهارة عند تحويل الأوراق الأكاديمية إلى صيغ ترويجية وعرض تقديمي تشمل المواقع التفاعلية (Paper2Web)، فيديوهات العرض التقديمي (Paper2Video)، والملصقات المؤتمراتية (Paper2Poster). استخدم هذه المهارة للمهام التي تتعلق بنشر الأوراق، التحضير للمؤتمرات، إنشاء صفحات رئيسية أكاديمية قابلة للاستكشاف، توليد ملخصات فيديو، أو إنتاج ملصقات جاهزة للطباعة من مصادر LaTeX أو PDF.

التعلم الآلي في بايثون باستخدام scikit-learn. يُستخدم عند العمل مع التعلم الموجه (التصنيف، الانحدار)، التعلم غير الموجه (التجميع، تقليل الأبعاد)، تقييم النماذج، ضبط المعاملات الفائقة، المعالجة المسبقة، أو بناء خطوط أنابيب التعلم الآلي. يوفر وثائق مرجعية شاملة للخوارزميات، تقنيات المعالجة المسبقة، خطوط الأنابيب، وأفضل الممارسات.

مجموعة أدوات المراجعة المنهجية من قبل الأقران. تقييم المنهجية، الإحصائيات، التصميم، القابلية لإعادة الإنتاج، الأخلاقيات، سلامة الأشكال، معايير التقرير، لمراجعة المخطوطات والمنح عبر التخصصات.

مجموعة أدوات النمذجة الإحصائية. OLS، GLM، الانحدار اللوجستي، ARIMA، السلاسل الزمنية، اختبارات الفرضيات، التشخيصات، AIC/BIC، من أجل استدلال إحصائي دقيق وتحليل اقتصادي قياسي.

مجموعة أدوات شاملة لإنشاء وتحليل وتصوير الشبكات والرسوم البيانية المعقدة في بايثون. استخدمها عند العمل مع هياكل بيانات الشبكات/الرسوم البيانية، تحليل العلاقات بين الكيانات، حساب خوارزميات الرسوم البيانية (أقصر المسارات، المركزية، التجميع)، اكتشاف المجتمعات، توليد شبكات تركيبية، أو تصور طوبولوجيا الشبكات. قابلة للتطبيق على الشبكات الاجتماعية، الشبكات البيولوجية، أنظمة النقل، شبكات الاستشهادات، وأي مجال يتضمن علاقات زوجية.

اكتب تقارير سريرية شاملة بما في ذلك تقارير الحالات (إرشادات CARE)، وتقارير التشخيص (الأشعة/علم الأمراض/المختبر)، وتقارير التجارب السريرية (ICH-E3، SAE، CSR)، وتوثيق المرضى (SOAP، H&P، ملخصات الخروج). دعم كامل مع القوالب، والامتثال التنظيمي (HIPAA، FDA، ICH-GCP)، وأدوات التحقق.

أنشئ ملصقات بحثية احترافية في LaTeX باستخدام beamerposter أو tikzposter أو baposter. دعم للعروض التقديمية في المؤتمرات، والملصقات الأكاديمية، والتواصل العلمي. يشمل تصميم التخطيط، مخططات الألوان، تنسيقات الأعمدة المتعددة، دمج الأشكال، وأفضل الممارسات الخاصة بالملصقات للتواصل البصري.

توليد فرضيات قابلة للاختبار. صياغتها من الملاحظات، تصميم التجارب، استكشاف التفسيرات المتنافسة، تطوير التنبؤات، اقتراح الآليات، من أجل البحث العلمي عبر المجالات.

التصوير الإحصائي. مخططات التشتت، الصندوقية، الكمان، خرائط الحرارة، مخططات الأزواج، الانحدار، مصفوفات الارتباط، تقدير كثافة النواة (KDE)، المخططات المقسمة، للتحليل الاستكشافي وأشكال النشر.

مكتبة بايثون للعمل مع بيانات المتجهات الجغرافية المكانية بما في ذلك ملفات shapefiles و GeoJSON و GeoPackage. تُستخدم عند العمل مع البيانات الجغرافية للتحليل المكاني، العمليات الهندسية، تحويل الإحداثيات، الانضمامات المكانية، عمليات التراكب، رسم الخرائط التلوينية (choropleth)، أو أي مهمة تتضمن قراءة/كتابة/تحليل بيانات المتجهات الجغرافية. تدعم قواعد بيانات PostGIS، الخرائط التفاعلية، والتكامل مع matplotlib/folium/cartopy. تُستخدم لمهام مثل تحليل الحوافز (buffer analysis)، الانضمامات المكانية بين مجموعات البيانات، دمج الحدود، قص البيانات، حساب المساحات/المسافات، إعادة إسقاط أنظمة الإحداثيات، إنشاء الخرائط، أو التحويل بين تنسيقات الملفات المكانية.

اكتب مقترحات بحثية تنافسية لـ NSF و NIH و DOE و DARPA. تنسيق خاص بالوكالة، معايير المراجعة، إعداد الميزانية، التأثيرات الأوسع، بيانات الأهمية، سرد الابتكار، والامتثال لمتطلبات التقديم.

إنشاء مستندات دعم اتخاذ القرار السريري (CDS) المهنية لإعدادات الأبحاث الصيدلانية والسريرية، بما في ذلك تحليلات مجموعات المرضى (مصنفة حسب العلامات البيولوجية مع النتائج) وتقارير توصيات العلاج (إرشادات قائمة على الأدلة مع خوارزميات اتخاذ القرار). يدعم تصنيف الأدلة وفق نظام GRADE، التحليل الإحصائي (نسب المخاطر، منحنيات البقاء، مخططات الشلال)، دمج العلامات البيولوجية، والامتثال التنظيمي. ينتج مخرجات بصيغة LaTeX/PDF جاهزة للنشر ومحسنة لتطوير الأدوية، الأبحاث السريرية، وتركيب الأدلة.

يجب استخدام هذه المهارة لمهام تعلم الآلة الخاصة بالسلاسل الزمنية بما في ذلك التصنيف، الانحدار، التجميع، التنبؤ، اكتشاف الشذوذ، التقسيم، والبحث عن التشابه. استخدمها عند العمل مع البيانات الزمنية، الأنماط التسلسلية، أو الملاحظات المؤشرة زمنياً التي تتطلب خوارزميات متخصصة تتجاوز الأساليب القياسية لتعلم الآلة. وهي مناسبة بشكل خاص لتحليل السلاسل الزمنية أحادية ومتعددة المتغيرات مع واجهات برمجة تطبيقات متوافقة مع scikit-learn.

أداة بحث فعالة في قواعد البيانات لخادم preprint الخاص بـ bioRxiv. استخدم هذه المهارة عند البحث عن المطبوعات المسبقة في علوم الحياة بواسطة الكلمات المفتاحية، المؤلفين، نطاقات التواريخ، أو الفئات، واسترجاع بيانات الورقة البحثية، وتنزيل ملفات PDF، أو إجراء مراجعات أدبية.

مكتبة DataFrame سريعة (Apache Arrow). اختيار، تصفية، تجميع بواسطة group_by، عمليات الانضمام joins، التقييم الكسول lazy evaluation، إدخال/إخراج CSV/Parquet، واجهة برمجة التعبيرات expression API، لتحليلات البيانات عالية الأداء.

إطار تعلم عميق (PyTorch Lightning). تنظيم كود PyTorch في LightningModules، تكوين المدربين (Trainers) لاستخدام متعدد وحدات معالجة الرسومات (GPU) أو وحدات معالجة التنسور (TPU)، تنفيذ خطوط أنابيب البيانات، ردود النداء (callbacks)، التسجيل (W&B، TensorBoard)، التدريب الموزع (DDP، FSDP، DeepSpeed)، لتدريب الشبكات العصبية بشكل قابل للتوسع.

قابلية تفسير النموذج وشرح النتائج باستخدام SHAP (تفسيرات شابلية الإضافية). استخدم هذه المهارة عند شرح توقعات نموذج التعلم الآلي، حساب أهمية الميزات، إنشاء مخططات SHAP (شلال، سرب نحل، شريط، تشتت، قوة، خريطة حرارية)، تصحيح أخطاء النماذج، تحليل تحيز النموذج أو العدالة، مقارنة النماذج، أو تنفيذ الذكاء الاصطناعي القابل للتفسير. يعمل مع النماذج القائمة على الأشجار (XGBoost، LightGBM، الغابة العشوائية)، التعلم العميق (TensorFlow، PyTorch)، النماذج الخطية، وأي نموذج صندوق أسود.

مجموعة أدوات بايثون الأساسية لعلم الأحياء الجزيئي. مفضلة للاستعلامات المعتمدة على بايثون في PubMed/NCBI (Bio.Entrez)، معالجة التسلسلات، تحليل الملفات (FASTA، GenBank، FASTQ، PDB)، سير عمل BLAST المتقدم، الهياكل، علم الأنساب. للاستخدام السريع لـ BLAST، استخدم gget. للوصول المباشر إلى REST API، استخدم pubmed-database.

الوصول المباشر إلى REST API لـ KEGG (للاستخدام الأكاديمي فقط). تحليل المسارات، تعيين الجينات إلى المسارات، المسارات الأيضية، تفاعلات الأدوية، تحويل المعرفات. بالنسبة لتدفقات العمل في بايثون مع قواعد بيانات متعددة، يُفضل استخدام bioservices. استخدم هذا للوصول المباشر عبر HTTP/REST أو للتحكم الخاص بـ KEGG.

استعلام وتحليل الأدبيات العلمية باستخدام قاعدة بيانات OpenAlex. يجب استخدام هذه المهارة عند البحث عن الأوراق الأكاديمية، تحليل اتجاهات البحث، العثور على أعمال المؤلفين أو المؤسسات، تتبع الاقتباسات، اكتشاف المنشورات المفتوحة الوصول، أو إجراء تحليل ببليومتري عبر أكثر من 240 مليون عمل علمي. استخدمها للبحث في الأدبيات، تحليل مخرجات البحث، تحليل الاقتباسات، واستعلام قواعد البيانات الأكاديمية.

قم بإنشاء خطط علاج طبية موجزة (3-4 صفحات)، مركزة بصيغة LaTeX/PDF لجميع التخصصات السريرية. يدعم العلاج الطبي العام، العلاج التأهيلي، رعاية الصحة النفسية، إدارة الأمراض المزمنة، الرعاية المحيطة بالجراحة، وإدارة الألم. يتضمن أُطُر أهداف SMART، تدخلات قائمة على الأدلة مع استشهادات نصية قليلة، الامتثال التنظيمي (HIPAA)، والتنسيق المهني. يولي الأولوية للإيجاز وقابلية التطبيق السريري.

الوصول إلى قوالب LaTeX الشاملة، ومتطلبات التنسيق، وإرشادات التقديم لأهم أماكن النشر العلمي (Nature, Science, PLOS, IEEE, ACM)، والمؤتمرات الأكاديمية (NeurIPS, ICML, CVPR, CHI)، والملصقات البحثية، ومقترحات المنح (NSF, NIH, DOE, DARPA). يجب استخدام هذه المهارة عند إعداد المخطوطات لتقديمها إلى المجلات، أو أوراق المؤتمرات، أو الملصقات البحثية، أو مقترحات المنح التي تتطلب متطلبات تنسيق وقوالب خاصة بكل مكان نشر.

مجموعة أدوات شاملة للذكاء الاصطناعي في الرعاية الصحية لتطوير واختبار ونشر نماذج التعلم الآلي باستخدام البيانات السريرية. يجب استخدام هذه المهارة عند العمل مع السجلات الصحية الإلكترونية (EHR)، مهام التنبؤ السريري (الوفاة، إعادة الدخول للمستشفى، توصية الأدوية)، أنظمة الترميز الطبي (ICD، NDC، ATC)، الإشارات الفسيولوجية (EEG، ECG)، مجموعات بيانات الرعاية الصحية (MIMIC-III/IV، eICU، OMOP)، أو تنفيذ نماذج التعلم العميق لتطبيقات الرعاية الصحية (RETAIN، SafeDrug، Transformer، GNN).

تحليل RNA-seq لخلايا مفردة. تحميل بيانات .h5ad/10X، مراقبة الجودة، التطبيع، PCA/UMAP/t-SNE، تجميع Leiden، جينات العلامات، توصيف نوع الخلية، المسار، لتحليل scRNA-seq.

استخدم هذه المهارة عند العمل مع الرياضيات الرمزية في بايثون. يجب استخدام هذه المهارة لمهام الحساب الرمزي بما في ذلك حل المعادلات جبريًا، وأداء عمليات التفاضل والتكامل (المشتقات، التكاملات، النهايات)، والتلاعب بالتعابير الجبرية، والعمل مع المصفوفات بشكل رمزي، والحسابات الفيزيائية، ومشاكل نظرية الأعداد، وحسابات الهندسة، وتوليد كود قابل للتنفيذ من التعبيرات الرياضية. طبق هذه المهارة عندما يحتاج المستخدم إلى نتائج رمزية دقيقة بدلاً من التقريبات العددية، أو عند العمل مع الصيغ الرياضية التي تحتوي على متغيرات ومعاملات.

يجب استخدام هذه المهارة عند العمل مع مصفوفات البيانات المشروحة في بايثون، لا سيما لتحليل الجينوم أحادي الخلية، وإدارة القياسات التجريبية مع البيانات الوصفية، أو التعامل مع مجموعات البيانات البيولوجية واسعة النطاق. استخدمها عندما تتضمن المهام كائنات AnnData، ملفات h5ad، بيانات RNA-seq أحادية الخلية، أو التكامل مع أدوات scanpy/scverse.

الأداة الأساسية في بايثون لأكثر من 40 خدمة في المعلوماتية الحيوية. مفضلة لعمليات سير العمل متعددة قواعد البيانات: UniProt، KEGG، ChEMBL، PubChem، Reactome، QuickGO. واجهة برمجة تطبيقات موحدة للاستعلامات، تحويل المعرفات، تحليل المسارات. للتحكم المباشر عبر REST، استخدم مهارات قواعد البيانات الفردية (uniprot-database، kegg-database).

نظام ذكاء اصطناعي متعدد الوكلاء لمساعدة البحث العلمي يقوم بأتمتة سير عمل البحث من تحليل البيانات إلى النشر. يجب استخدام هذه المهارة عند توليد أفكار بحثية من مجموعات البيانات، تطوير منهجيات البحث، تنفيذ التجارب الحاسوبية، إجراء عمليات البحث في الأدبيات، أو توليد أوراق بحثية جاهزة للنشر بصيغة LaTeX. يدعم خطوط أنابيب البحث الشاملة مع تنظيم وكلاء قابل للتخصيص.

منصة DNAnexus السحابية للجينوميات. بناء التطبيقات/البرمجيات الصغيرة، إدارة البيانات (رفع/تنزيل)، dxpy Python SDK، تشغيل سير العمل، FASTQ/BAM/VCF، لتطوير وتنفيذ خطوط أنابيب الجينوميات.

إطار عمل لوكيل ذكاء اصطناعي طبي ذاتي التنفيذ لتنفيذ مهام بحثية معقدة عبر علم الجينوم، اكتشاف الأدوية، علم الأحياء الجزيئي، والتحليل السريري. استخدم هذه المهارة عند إجراء أبحاث طبية متعددة الخطوات تشمل تصميم فحص CRISPR، تحليل RNA-seq للخلايا المفردة، التنبؤ بـ ADMET، تفسير GWAS، تشخيص الأمراض النادرة، أو تحسين بروتوكولات المختبر. يستفيد من استدلال نماذج اللغة الكبيرة مع تنفيذ الشيفرة وقواعد البيانات الطبية المتكاملة.

استعلام ClinicalTrials.gov عبر API v2. ابحث عن التجارب حسب الحالة، الدواء، الموقع، الحالة، أو المرحلة. استرجع تفاصيل التجربة بواسطة معرف NCT، صدّر البيانات، لأغراض البحث السريري ومطابقة المرضى.

الوصول إلى أكثر من 200 مليون بنية بروتينية متوقعة بواسطة الذكاء الاصطناعي من AlphaFold. استرجع البنى باستخدام معرف UniProt، قم بتنزيل ملفات PDB/mmCIF، حلل مقاييس الثقة (pLDDT، PAE)، لاستخدامها في اكتشاف الأدوية وعلم الأحياء الهيكلي.

شغّل كود بايثون في السحابة باستخدام الحاويات بدون خادم، ووحدات معالجة الرسوميات (GPUs)، والتوسع التلقائي. استخدم ذلك عند نشر نماذج التعلم الآلي، وتشغيل مهام المعالجة الدُفعية، وجدولة المهام التي تتطلب حوسبة مكثفة، أو تقديم واجهات برمجة التطبيقات (APIs) التي تحتاج إلى تسريع بواسطة GPU أو التوسع الديناميكي.

يجب استخدام هذه المهارة عند العمل مع نماذج المحولات المدربة مسبقًا لمعالجة اللغة الطبيعية، والرؤية الحاسوبية، والصوت، أو المهام متعددة الوسائط. تُستخدم لتوليد النصوص، والتصنيف، والإجابة على الأسئلة، والترجمة، والتلخيص، وتصنيف الصور، واكتشاف الأجسام، والتعرف على الكلام، وضبط النماذج بدقة على مجموعات بيانات مخصصة.

الحوسبة المتوازية/الموزعة. توسيع نطاق pandas/NumPy إلى ما يتجاوز الذاكرة، إطارات البيانات/المصفوفات المتوازية، معالجة متعددة الملفات، مخططات المهام، لمجموعات بيانات أكبر من الذاكرة العشوائية وسير عمل متوازية.

محاكاة وتحليل ميكانيكا الكم باستخدام QuTiP (صندوق أدوات الكم في بايثون). يُستخدم عند العمل مع الأنظمة الكمومية بما في ذلك: (1) الحالات الكمومية (kets, bras, مصفوفات الكثافة)، (2) المؤثرات والبوابات الكمومية، (3) تطور الزمن والديناميكيات (معادلة شرودنجر، معادلات الماستر، مونت كارلو)، (4) الأنظمة الكمومية المفتوحة مع التبدد، (5) القياسات الكمومية والتشابك، (6) التصور (كرة بلوخ، دوال ويجنر)، (7) الحالات الثابتة ودوال الارتباط، أو (8) الطرق المتقدمة (نظرية فلوكيه، HEOM، المحللات العشوائية). يتعامل مع الأنظمة الكمومية المغلقة والمفتوحة عبر مجالات مختلفة تشمل البصريات الكمومية، الحوسبة الكمومية، وفيزياء المادة المكثفة.

الاستعلام عن جين NCBI عبر واجهة برمجة التطبيقات E-utilities/Datasets. البحث بواسطة الرمز/المعرف، استرجاع معلومات الجين (RefSeqs، GO، المواقع، الظواهر)، عمليات البحث الدفعي، لتوضيح الجينات والتحليل الوظيفي.

الوصول إلى NCBI GEO لبيانات التعبير الجيني/علم الجينوم. البحث/تحميل مجموعات بيانات الميكروأري وRNA-seq (GSE، GSM، GPL)، استرجاع ملفات SOFT/Matrix، لتحليل النسخ والتعبير.

إطار محاكاة قائم على الأحداث المنفصلة يعتمد على العمليات في بايثون. استخدم هذه المهارة عند بناء محاكاة لأنظمة تحتوي على عمليات، قوائم انتظار، موارد، وأحداث تعتمد على الزمن مثل أنظمة التصنيع، عمليات الخدمة، حركة مرور الشبكات، اللوجستيات، أو أي نظام تتفاعل فيه الكيانات مع الموارد المشتركة عبر الزمن.

الوصول إلى واجهات برمجة التطبيقات الخاصة بمكتب براءات الاختراع والعلامات التجارية الأمريكي (USPTO) للبحث في براءات الاختراع/العلامات التجارية، تاريخ الفحص (PEDS)، التنازلات، الاستشهادات، الإجراءات المكتبية، TSDR، لتحليل الملكية الفكرية والبحث عن الفن السابق.

مكتبة بايثون شاملة لعلم الفلك والفيزياء الفلكية. يجب استخدام هذه المهارة عند العمل مع البيانات الفلكية بما في ذلك الإحداثيات السماوية، الوحدات الفيزيائية، ملفات FITS، الحسابات الكونية، أنظمة الوقت، الجداول، أنظمة الإحداثيات العالمية (WCS)، وتحليل البيانات الفلكية. استخدمها عند وجود مهام تتضمن تحويل الإحداثيات، تحويل الوحدات، معالجة ملفات FITS، حساب المسافات الكونية، تحويل مقاييس الوقت، أو معالجة البيانات الفلكية.

مجموعة أدوات تعلم الآلة الجزيئية. التنبؤ بالخصائص (ADMET، السمية)، الشبكات العصبية الرسومية (GCN، MPNN)، معايير MoleculeNet، النماذج المدربة مسبقًا، التوصيف، لتعلم الآلة في اكتشاف الأدوية.

مكتبة بايثون للعمل مع ملفات DICOM (التصوير الرقمي والاتصالات في الطب). استخدم هذه المهارة عند قراءة أو كتابة أو تعديل بيانات التصوير الطبي بتنسيق DICOM، استخراج بيانات البكسل من الصور الطبية (الأشعة المقطعية، الرنين المغناطيسي، الأشعة السينية، الموجات فوق الصوتية)، إخفاء هوية ملفات DICOM، العمل مع بيانات وصفية وعلامات DICOM، تحويل صور DICOM إلى تنسيقات أخرى، التعامل مع بيانات DICOM المضغوطة، أو معالجة مجموعات بيانات التصوير الطبي. تنطبق على المهام المتعلقة بتحليل الصور الطبية، أنظمة PACS، سير عمل الأشعة، وتطبيقات التصوير الصحي.

الوصول إلى RCSB PDB لهياكل البروتين/الأحماض النووية ثلاثية الأبعاد. البحث بالنص/التسلسل/الهيكل، تنزيل الإحداثيات (PDB/mmCIF)، استرجاع البيانات الوصفية، لأغراض علم الأحياء الهيكلي واكتشاف الأدوية.

مجموعة أدوات اكتشاف الأدوية القائمة على الرسوم البيانية. التنبؤ بخصائص الجزيئات (ADMET)، نمذجة البروتينات، استدلال رسومات المعرفة، توليد الجزيئات، التخليق العكسي، الشبكات العصبية الرسومية (GNNs) مثل (GIN, GAT, SchNet)، أكثر من 40 مجموعة بيانات، للتعلم الآلي المعتمد على PyTorch على الجزيئات، البروتينات، والرسوم البيانية الطبية الحيوية.

الوصول المباشر إلى REST API لـ UniProt. بحث البروتينات، استرجاع FASTA، تعيين المعرفات، Swiss-Prot/TrEMBL. بالنسبة لتدفقات عمل Python التي تتضمن قواعد بيانات متعددة، يُفضل استخدام bioservices (واجهة موحدة لأكثر من 40 خدمة). استخدم هذا للعمل المباشر عبر HTTP/REST أو للتحكم الخاص بـ UniProt.

إطار عمل لمحاكاة ديناميكا الموائع الحسابية باستخدام بايثون. يُستخدم عند تشغيل محاكاة ديناميكا الموائع بما في ذلك معادلات نافير-ستوكس (ثنائية/ثلاثية الأبعاد)، معادلات المياه الضحلة، التدفقات الطبقية، أو عند تحليل الاضطراب، ديناميكيات الدوامات، أو التدفقات الجيوفيزيائية. يوفر طرقًا شبه طيفية مع FFT، دعم الحوسبة عالية الأداء (HPC)، وتحليل شامل للمخرجات.

مجموعة أدوات شاملة لمعالجة الإشارات الحيوية لتحليل البيانات الفسيولوجية بما في ذلك إشارات ECG، EEG، EDA، RSP، PPG، EMG، وEOG. استخدم هذه المهارة عند معالجة إشارات القلب والأوعية الدموية، نشاط الدماغ، الاستجابات الكهربية الجلدية، أنماط التنفس، نشاط العضلات، أو حركات العين. قابلة للتطبيق في تحليل تباين معدل ضربات القلب، الفعليات المرتبطة بالأحداث، مقاييس التعقيد، تقييم الجهاز العصبي الذاتي، أبحاث علم النفس الفسيولوجي، ودمج الإشارات الفسيولوجية متعددة الوسائط.

الاستعلام من واجهة برمجة تطبيقات Reactome REST لتحليل المسارات، الإثراء، تعيين الجينات إلى المسارات، مسارات الأمراض، التفاعلات الجزيئية، تحليل التعبير، لدراسات علم الأحياء النظامي.

مصفوفات N-D مقسمة للتخزين السحابي. مصفوفات مضغوطة، إدخال/إخراج متوازي، تكامل مع S3/GCS، متوافقة مع NumPy/Dask/Xarray، لأنابيب الحوسبة العلمية واسعة النطاق.

استعلام قاعدة بيانات جينوم Ensembl عبر REST API لأكثر من 250 نوعًا. عمليات البحث عن الجينات، استرجاع التسلسلات، تحليل المتغيرات، علم الجينوم المقارن، الأرتولوجات، توقعات VEP، لأبحاث الجينوم.

تحليل ملفات FCS (معيار قياس التدفق الخلوي) الإصدار 2.0-3.1. استخراج الأحداث كمصفوفات NumPy، قراءة البيانات الوصفية/القنوات، التحويل إلى CSV/DataFrame، لمعالجة بيانات قياس التدفق الخلوي المسبقة.

مجموعة أدوات عالية الأداء لتحليل الفواصل الجينومية بلغة Rust مع روابط Python. استخدمها عند العمل مع المناطق الجينومية، ملفات BED، مسارات التغطية، اكتشاف التداخل، التجزئة لنماذج التعلم الآلي، أو تحليل الشظايا في علم الجينوم الحاسوبي وتطبيقات التعلم الآلي.

النمذجة البايزية باستخدام PyMC. بناء نماذج هرمية، MCMC (NUTS)، الاستدلال التبايني، مقارنة LOO/WAIC، فحوصات التوزيع اللاحق، للبرمجة الاحتمالية والاستدلال.

واجهة برمجة تطبيقات STRING للاستعلام عن تفاعلات البروتين-بروتين (59 مليون بروتين، 20 مليار تفاعل). تحليل الشبكات، إثراء GO/KEGG، اكتشاف التفاعلات، أكثر من 5000 نوع، لعلم الأحياء النظامي.

شبكات الأعصاب البيانية (PyG). تصنيف العقد/الرسم البياني، التنبؤ بالروابط، GCN، GAT، GraphSAGE، الرسوم البيانية غير المتجانسة، التنبؤ بخصائص الجزيئات، للتعلم العميق الهندسي.

استخدم هذه المهارة لمعالجة وتحليل مجموعات البيانات الجدولية الكبيرة (مليارات الصفوف) التي تتجاوز ذاكرة الوصول العشوائي المتاحة. تتفوق Vaex في عمليات DataFrame خارج الذاكرة، والتقييم الكسول، والتجميعات السريعة، والتصور الفعال للبيانات الكبيرة، وتعلم الآلة على مجموعات البيانات الكبيرة. يُطبق ذلك عندما يحتاج المستخدمون إلى العمل مع ملفات CSV/HDF5/Arrow/Parquet الكبيرة، أو إجراء إحصائيات سريعة على مجموعات بيانات ضخمة، أو إنشاء تصورات للبيانات الكبيرة، أو بناء خطوط أنابيب تعلم الآلة التي لا تتسع في الذاكرة.

إطار عمل الحوسبة الكمومية لبناء ومحاكاة وتحسين وتنفيذ الدوائر الكمومية. استخدم هذه المهارة عند العمل مع الخوارزميات الكمومية، تصميم الدوائر الكمومية، المحاكاة الكمومية (بدون ضوضاء أو مع ضوضاء)، التشغيل على الأجهزة الكمومية (Google، IonQ، AQT، Pasqal)، تحسين وتجميع الدوائر، نمذجة الضوضاء وتوصيفها، أو التجارب الكمومية وقياس الأداء (VQE، QAOA، QPE، القياس العشوائي للأداء).

مجموعة أدوات تحليل NGS. تحويل BAM إلى bigWig، مراقبة الجودة (الارتباط، تحليل المكونات الرئيسية، البصمات)، خرائط حرارية/ملامح (TSS، القمم)، لتصور ChIP-seq، RNA-seq، ATAC-seq.

منصة إدارة بيانات المجهر. الوصول إلى الصور عبر Python، استرجاع مجموعات البيانات، تحليل البكسلات، إدارة مناطق الاهتمام/التعليقات التوضيحية، المعالجة الدُفعية، لفحص المحتوى العالي وسير عمل المجهر.

يجب استخدام هذه المهارة عند العمل مع مهام التعلم المعزز بما في ذلك تدريب التعلم المعزز عالي الأداء، تطوير بيئات مخصصة، المحاكاة المتوازية المتجهة، أنظمة الوكلاء المتعددين، أو التكامل مع بيئات التعلم المعزز القائمة (Gymnasium، PettingZoo، Atari، Procgen، إلخ). استخدم هذه المهارة لتنفيذ تدريب PPO، إنشاء بيئات PufferEnv، تحسين أداء التعلم المعزز، أو تطوير السياسات باستخدام CNNs/LSTMs.

استعلام NCBI ClinVar عن الأهمية السريرية للطفرات. البحث حسب الجين/الموضع، تفسير تصنيفات المسببات المرضية، الوصول عبر واجهة برمجة التطبيقات E-utilities أو FTP، توضيح ملفات VCF، لاستخدامات الطب الجيني.

العمل مع Data Commons، وهي منصة توفر الوصول البرمجي إلى البيانات الإحصائية العامة من مصادر عالمية. استخدم هذه المهارة عند العمل مع البيانات الديموغرافية، المؤشرات الاقتصادية، إحصاءات الصحة، البيانات البيئية، أو أي مجموعات بيانات عامة متاحة من خلال Data Commons. تنطبق على استعلام إحصاءات السكان، أرقام الناتج المحلي الإجمالي، معدلات البطالة، انتشار الأمراض، حل الكيانات الجغرافية، واستكشاف العلاقات بين الكيانات الإحصائية.

أداة CLI/Python للاستعلامات السريعة في المعلوماتية الحيوية. مفضلة للبحث السريع باستخدام BLAST. الوصول إلى أكثر من 20 قاعدة بيانات: معلومات الجينات (Ensembl/UniProt)، AlphaFold، ARCHS4، Enrichr، OpenTargets، COSMIC، تحميلات الجينوم. للمعالجة المتقدمة باستخدام BLAST/المعالجة الدُفعية، استخدم biopython. للتكامل بين قواعد بيانات متعددة، استخدم bioservices.

استعلام منصة Open Targets عن ارتباطات الهدف بالمرض، اكتشاف أهداف الأدوية، بيانات القابلية/السلامة، الأدلة الجينية/الأوميكس، الأدوية المعروفة، لتحديد الهدف العلاجي.

مكتبة بايثون متعددة المنصات للحوسبة الكمومية، التعلم الآلي الكمومي، والكيمياء الكمومية. تتيح بناء وتدريب الدوائر الكمومية مع التفاضل التلقائي، التكامل السلس مع PyTorch/JAX/TensorFlow، والتنفيذ المستقل عن الجهاز عبر المحاكيات والأجهزة الكمومية (IBM، Amazon Braket، Google، Rigetti، IonQ، إلخ). تُستخدم عند العمل مع الدوائر الكمومية، الخوارزميات الكمومية التباينية (VQE، QAOA)، الشبكات العصبية الكمومية، النماذج الهجينة الكمومية-الكلاسيكية، المحاكاة الجزيئية، حسابات الكيمياء الكمومية، أو أي مهام حوسبة كمومية تتطلب تحسينًا قائمًا على التدرج، برمجة مستقلة عن الأجهزة، أو سير عمل التعلم الآلي الكمومي.

تكامل منصة Benchling للبحث والتطوير. الوصول إلى السجل (DNA، البروتينات)، المخزون، إدخالات ELN، سير العمل عبر API، بناء تطبيقات Benchling، استعلام مستودع البيانات، لأتمتة إدارة بيانات المختبر.

استعلام جزيئات ChEMBL النشطة حيوياً وبيانات اكتشاف الأدوية. ابحث عن المركبات حسب البنية/الخصائص، استرجع بيانات النشاط الحيوي (IC50، Ki)، اعثر على المثبطات، قم بإجراء دراسات SAR، لأجل الكيمياء الدوائية.

غلاف بايثوني حول RDKit بواجهة مبسطة وإعدادات افتراضية منطقية. مفضل لاكتشاف الأدوية القياسي: تحليل SMILES، التوحيد، الوصفات، البصمات، التجميع، التشكيلات ثلاثية الأبعاد، المعالجة المتوازية. يعيد كائنات rdkit.Chem.Mol الأصلية. للتحكم المتقدم أو المعلمات المخصصة، استخدم rdkit مباشرة.

يجب استخدام هذه المهارة في بداية أي مهمة علمية تتطلب حسابات مكثفة لاكتشاف والإبلاغ عن موارد النظام المتاحة (أنوية المعالج، وحدات معالجة الرسومات، الذاكرة، مساحة القرص). تقوم بإنشاء ملف JSON يحتوي على معلومات الموارد وتوصيات استراتيجية تُعلم قرارات النهج الحسابي مثل ما إذا كان يجب استخدام المعالجة المتوازية (joblib، multiprocessing)، الحوسبة خارج الذاكرة (Dask، Zarr)، تسريع GPU (PyTorch، JAX)، أو استراتيجيات توفير الذاكرة. استخدم هذه المهارة قبل تشغيل التحليلات، تدريب النماذج، معالجة مجموعات البيانات الكبيرة، أو أي مهمة تكون فيها قيود الموارد مهمة.

مجموعة أدوات معالجة صور علم الأمراض الرقمية للشرائح الكاملة (WSI). استخدم هذه المهارة عند العمل مع شرائح علم الأمراض النسيجية، ومعالجة صور الأنسجة المصبوغة بـ H&E أو IHC، واستخراج القطع من صور علم الأمراض ذات الجيجابيكسل، واكتشاف مناطق الأنسجة، وتقسيم أقنعة الأنسجة، أو إعداد مجموعات البيانات لأنابيب التعلم العميق في علم الأمراض الحاسوبي. ينطبق على صيغ WSI (SVS، TIFF، NDPI)، التحليل القائم على القطع، وسير عمل المعالجة المسبقة للصور النسيجية.

التوليد الآلي للافتتاحيات والاختبار باستخدام نماذج اللغة الكبيرة. استخدم هذه المهارة عند توليد فرضيات علمية من مجموعات البيانات، ودمج رؤى الأدبيات مع البيانات التجريبية، واختبار الفرضيات مقابل البيانات الرصدية، أو إجراء استكشاف منهجي للفرضيات لاكتشاف الأبحاث في مجالات مثل كشف الخداع، كشف محتوى الذكاء الاصطناعي، تحليل الصحة النفسية، أو مهام البحث التجريبية الأخرى.

تكامل واجهة برمجة تطبيقات دفتر المختبر الإلكتروني. الوصول إلى دفاتر الملاحظات، إدارة الإدخالات/المرفقات، نسخ احتياطي لدفاتر الملاحظات، التكامل مع Protocols.io/Jupyter/REDCap، من أجل سير عمل ELN برمجي.

مرشحات الكيمياء الدوائية. تطبيق قواعد تشابه الدواء (ليبنسكي، فيبر)، مرشحات PAINS، التنبيهات الهيكلية، مقاييس التعقيد، من أجل تحديد أولويات المركبات وتنقية المكتبة.

تحليل التعبير الجيني التفاضلي (Python DESeq2). تحديد الجينات التفاضلية من تعداد RNA-seq الكلي، اختبارات والد، تصحيح معدل الاكتشاف الخاطئ (FDR)، مخططات البركان/MA، لتحليل RNA-seq.

واجهة بايثون لـ OpenMS لتحليل بيانات مطيافية الكتلة. تُستخدم في سير عمل LC-MS/MS للبروتيوميات والميتوبولوميات بما في ذلك معالجة الملفات (mzML، mzXML، mzTab، FASTA، pepXML، protXML، mzIdentML)، معالجة الإشارات، اكتشاف الميزات، تحديد الببتيدات، والتحليل الكمي. تُطبق عند العمل مع بيانات مطيافية الكتلة، تحليل تجارب البروتيوميات، أو معالجة مجموعات بيانات الميتوبولوميات.

مجموعة أدوات الكيمياء المعلوماتية للتحكم الدقيق في الجزيئات. تحليل SMILES/SDF، الوصفات (الوزن الجزيئي MW، LogP، TPSA)، البصمات، البحث عن البنى الفرعية، التوليد ثنائي الأبعاد/ثلاثي الأبعاد، التشابه، التفاعلات. للاستخدام في سير العمل القياسي مع واجهة أبسط، استخدم datamol (غلاف حول RDKit). استخدم rdkit للتحكم المتقدم، التنقية المخصصة، الخوارزميات المتخصصة.

مجموعة أدوات البيانات البيولوجية. تحليل التسلسل، المحاذاة، الأشجار التطورية، مقاييس التنوع (ألفا/بيتا، UniFrac)، الترتيب (PCoA)، PERMANOVA، إدخال/إخراج FASTA/Newick، لتحليل الميكروبيوم.

استخدم هذه المهارة لمهام التعلم التعزيزي بما في ذلك تدريب وكلاء التعلم التعزيزي (PPO، SAC، DQN، TD3، DDPG، A2C، إلخ)، إنشاء بيئات Gym مخصصة، تنفيذ ردود النداء للمراقبة والتحكم، استخدام البيئات المتجهة للتدريب المتوازي، والتكامل مع سير عمل التعلم التعزيزي العميق. يجب استخدام هذه المهارة عندما يطلب المستخدمون تنفيذ خوارزميات التعلم التعزيزي، تدريب الوكلاء، تصميم البيئات، أو تجارب التعلم التعزيزي.

الوصول إلى قاعدة بيانات إنزيم BRENDA عبر واجهة برمجة التطبيقات SOAP. استرجاع المعاملات الحركية (Km، kcat)، معادلات التفاعل، بيانات الكائنات الحية، ومعلومات الإنزيم الخاصة بالركائز لأغراض البحث الكيميائي الحيوي وتحليل مسارات الأيض.

استعلام عن تعداد CZ CELLxGENE (أكثر من 61 مليون خلية). التصفية حسب نوع الخلية/النسيج/المرض، استرجاع بيانات التعبير، التكامل مع scanpy/PyTorch، لتحليل الخلايا المفردة على نطاق سكاني.

النمذجة الأيضية القائمة على القيود (COBRA). FBA، FVA، تعطيل الجينات، أخذ عينات التدفق، نماذج SBML، لتحليل علم الأحياء النظامي والهندسة الأيضية.

الوصول إلى قاعدة بيانات طفرات السرطان COSMIC. استعلام عن الطفرات الجسدية، تعداد جينات السرطان، التواقيع الطفرية، اندماجات الجينات، لأبحاث السرطان وعلم الأورام الدقيق. يتطلب التوثيق.

الوصول إلى أرشيف النوكليوتيدات الأوروبي عبر API/FTP. استرجاع تسلسلات DNA/RNA، القراءات الخام (FASTQ)، تجميعات الجينوم حسب رقم الوصول، لاستخدامها في خطوط أنابيب الجينوميات والمعلوماتية الحيوية. يدعم تنسيقات متعددة.

استعلام كتالوج NHGRI-EBI GWAS عن ارتباطات SNP-الصفات. البحث عن المتغيرات بواسطة معرف rs، المرض/الصفة، الجين، استرجاع قيم p والإحصائيات الملخصة، لأبحاث الوبائيات الوراثية ودرجات المخاطر متعددة الجينات.

تحليل مطيافية الكتلة. معالجة mzML/MGF/MSP، تشابه الطيف (جيب التمام، جيب التمام المعدل)، توحيد البيانات الوصفية، تحديد المركبات، لتحليل الأيض ومعالجة بيانات مطيافية الكتلة.

تحليل تسجيلات الأعصاب باستخدام Neuropixels. تحميل بيانات SpikeGLX/OpenEphys، المعالجة المسبقة، تصحيح الحركة، فرز الشُظايا باستخدام Kilosort4، مقاييس الجودة، تنسيق Allen/IBL، التحليل البصري بمساعدة الذكاء الاصطناعي، لتسجيلات الفيزيولوجيا الكهربائية خارج الخلية Neuropixels 1.0/2.0. يُستخدم عند العمل مع تسجيلات الأعصاب، فرز الشُظايا، الفيزيولوجيا الكهربائية خارج الخلية، أو عند ذكر المستخدم لـ Neuropixels، SpikeGLX، Open Ephys، Kilosort، مقاييس الجودة، أو تنسيق الوحدات.

مجموعة أدوات ملفات الجينوم. قراءة/كتابة محاذاة SAM/BAM/CRAM، متغيرات VCF/BCF، تسلسلات FASTA/FASTQ، استخراج المناطق، حساب التغطية، لأنابيب معالجة بيانات التسلسل الجيني الجديد (NGS).

مجموعة أدوات شاملة لتحليل البقاء ونمذجة الوقت حتى الحدث في بايثون باستخدام مكتبة scikit-survival. استخدم هذه المهارة عند العمل مع بيانات البقاء المراقبة (censored survival data)، إجراء تحليل الوقت حتى الحدث، تركيب نماذج كوكس (Cox models)، الغابات العشوائية للبقاء (Random Survival Forests)، نماذج التعزيز التدرجي (Gradient Boosting models)، أو آلات الدعم الناقل للبقاء (Survival SVMs)، تقييم توقعات البقاء باستخدام مؤشر التوافق (concordance index) أو درجة بريير (Brier score)، التعامل مع المخاطر المتنافسة (competing risks)، أو تنفيذ أي سير عمل لتحليل البقاء باستخدام مكتبة scikit-survival.

منصة مختبر سحابية لاختبار البروتينات والتحقق منها تلقائيًا. تُستخدم عند تصميم البروتينات والحاجة إلى التحقق التجريبي بما في ذلك اختبارات الارتباط، اختبار التعبير، قياسات الثبات الحراري، اختبارات نشاط الإنزيم، أو تحسين تسلسل البروتين. كما تُستخدم لتقديم التجارب عبر API، تتبع حالة التجربة، تنزيل النتائج، تحسين تسلسلات البروتين من أجل تعبير أفضل باستخدام الأدوات الحاسوبية (NetSolP، SoluProt، SolubleMPNN، ESM)، أو إدارة سير عمل تصميم البروتين مع التحقق المختبري الرطب.

الوصول إلى بيانات ClinPGx للفارماجينوميات (الخليفة لـ PharmGKB). استعلام عن تفاعلات الجين-الدواء، إرشادات CPIC، وظائف الأليل، من أجل الطب الدقيق وقرارات الجرعات الموجهة بالنمط الجيني.

استعلام API الخاص بـ openFDA عن الأدوية، الأجهزة، الأحداث السلبية، الاستدعاءات، التقديمات التنظيمية (510k، PMA)، تحديد المواد (UNII)، لتحليل بيانات تنظيم FDA وأبحاث السلامة.

التمثيل الجزيئي للميزات في التعلم الآلي (أكثر من 100 أداة استخراج ميزات). ECFP، MACCS، الوصفات، النماذج المدربة مسبقًا (ChemBERTa)، تحويل SMILES إلى ميزات، لأغراض QSAR والتعلم الآلي الجزيئي.

التكامل مع واجهة برمجة التطبيقات protocols.io لإدارة البروتوكولات العلمية. يجب استخدام هذه المهارة عند العمل مع protocols.io للبحث عن البروتوكولات، إنشائها، تحديثها، أو نشرها؛ إدارة خطوات البروتوكول والمواد؛ التعامل مع المناقشات والتعليقات؛ تنظيم مساحات العمل؛ رفع وإدارة الملفات؛ أو دمج وظائف protocols.io في سير العمل. ينطبق ذلك على اكتشاف البروتوكولات، تطوير البروتوكولات التعاوني، تتبع التجارب، إدارة بروتوكولات المختبر، والتوثيق العلمي.

مجموعة بيانات العلاجات المشتركة. مجموعات بيانات اكتشاف الأدوية الجاهزة للذكاء الاصطناعي (ADME، السمية، DTI)، المعايير المرجعية، تقسيمات الهيكل الأساسي، العرافين الجزيئيين، لتعلم الآلة العلاجي والتنبؤ الدوائي.

يجب استخدام هذه المهارة عند العمل مع تحليل بيانات الأوميكس أحادية الخلية باستخدام أدوات scvi-tools، بما في ذلك scRNA-seq و scATAC-seq و CITE-seq والتعبير الجيني المكاني وأنماط أحادية الخلية الأخرى. استخدم هذه المهارة للنمذجة الاحتمالية، وتصحيح الدُفعات، وتقليل الأبعاد، والتعبير التفريقي، وتوصيف نوع الخلية، والتكامل متعدد الأنماط، ومهام التحليل المكاني.

الوصول إلى معلومات شاملة عن الأدوية من قاعدة بيانات DrugBank وتحليلها بما في ذلك خصائص الأدوية، التفاعلات، الأهداف، المسارات، الهياكل الكيميائية، وبيانات الصيدلة. يجب استخدام هذه المهارة عند العمل مع بيانات الأدوية، أبحاث اكتشاف الأدوية، دراسات الصيدلة، تحليل تفاعلات الأدوية مع بعضها، تحديد الأهداف، عمليات البحث عن التشابه الكيميائي، توقعات ADMET، أو أي مهمة تتطلب معلومات مفصلة عن الأدوية وأهدافها من DrugBank.

يجب استخدام هذه المهارة عند العمل مع LaminDB، وهو إطار بيانات مفتوح المصدر لعلم الأحياء يجعل البيانات قابلة للاستعلام، والتتبع، والتكرار، ومتوافقة مع مبادئ FAIR. يُستخدم عند إدارة مجموعات البيانات البيولوجية (scRNA-seq، البيانات المكانية، قياس التدفق الخلوي، إلخ)، وتتبع سير العمل الحاسوبي، وتنظيم والتحقق من صحة البيانات باستخدام الأنطولوجيات البيولوجية، وبناء بحيرات البيانات، أو ضمان تتبع أصل البيانات وقابليتها للتكرار في البحث البيولوجي. يغطي إدارة البيانات، والتعليقات التوضيحية، والأنطولوجيات (الجينات، أنواع الخلايا، الأمراض، الأنسجة)، والتحقق من صحة المخططات، والتكامل مع مديري سير العمل (Nextflow، Snakemake) ومنصات MLOps (W&B، MLflow)، واستراتيجيات النشر.

تقليل الأبعاد باستخدام UMAP. تعلم متعدد الأبعاد غير خطي سريع لتصور ثنائي/ثلاثي الأبعاد، معالجة مسبقة للتجميع (HDBSCAN)، UMAP الخاضع للإشراف/البارامتري، للبيانات عالية الأبعاد.

استنتاج شبكات تنظيم الجينات (GRNs) من بيانات تعبير الجينات باستخدام خوارزميات قابلة للتوسع (GRNBoost2، GENIE3). يُستخدم عند تحليل بيانات النسخ الجيني (RNA-seq الجماعي، RNA-seq الخلوي المفرد) لتحديد علاقات عوامل النسخ مع الجينات المستهدفة والتفاعلات التنظيمية. يدعم الحوسبة الموزعة لمجموعات البيانات واسعة النطاق.

الترسيب الجزيئي المعتمد على الانتشار. توقع أوضاع ارتباط البروتين-الليجاند من PDB/SMILES، درجات الثقة، الفحص الافتراضي، لتصميم الأدوية المعتمد على البنية. غير مخصص لتوقع الألفة.

مجموعة أدوات شاملة لنماذج لغة البروتين بما في ذلك ESM3 (تصميم بروتينات متعددة الوسائط توليدياً عبر التسلسل، البنية، والوظيفة) و ESM C (تمثيلات وتضمينات بروتين فعالة). استخدم هذه المهارة عند العمل مع تسلسلات البروتين، البنى، أو التنبؤ بالوظائف؛ تصميم بروتينات جديدة؛ توليد تضمينات البروتين؛ إجراء الطي العكسي؛ أو تنفيذ مهام هندسة البروتين. تدعم الاستخدام المحلي للنماذج وكذلك واجهة برمجة التطبيقات Forge السحابية للاستدلال القابل للتوسع.

مجموعة أدوات شجرة النشوء والتطور (ETE). التلاعب بالأشجار (Newick/NHX)، اكتشاف الأحداث التطورية، التماثل/التشابه، تصنيف NCBI، التصور (PDF/SVG)، لعلم الجينوم التطوري.

يجب استخدام هذه المهارة عند العمل مع بيانات الفواصل الجينومية (ملفات BED) لمهام التعلم الآلي. تُستخدم لتدريب تمثيلات المناطق (Region2Vec، BEDspace)، تحليل ATAC-seq للخلايا المفردة (scEmbed)، بناء قمم التوافق (universes)، أو أي تحليل قائم على التعلم الآلي للمناطق الجينومية. ينطبق ذلك على مجموعات ملفات BED، بيانات scATAC-seq، مجموعات بيانات وصول الكروماتين، وتعلم الميزات الجينومية المعتمد على المناطق.

الوصول إلى قاعدة بيانات الميتابولوم البشري (أكثر من 220 ألف ميتابوليت). البحث بالاسم/المعرف/الهيكل، استرجاع الخصائص الكيميائية، بيانات العلامات الحيوية، أطياف NMR/MS، المسارات، لأغراض الميتابولوميكس والتعريف.

منصة Latch لتدفقات العمل في المعلوماتية الحيوية. بناء خطوط الأنابيب باستخدام Latch SDK، مزخرفات @workflow/@task، نشر تدفقات العمل بدون خادم، LatchFile/LatchDir، تكامل Nextflow/Snakemake.

مجموعة أدوات علم الأمراض الحاسوبي لتحليل صور الشرائح الكاملة (WSI) وبيانات التصوير متعددة المعلمات. استخدم هذه المهارة عند العمل مع شرائح علم الأمراض النسيجي، صور ملطخة بصبغة H&E، التألق المناعي المتعدد (CODEX، Vectra)، البروتيوميات المكانية، اكتشاف/تقسيم النوى، بناء رسم بياني للنسيج، أو تدريب نماذج التعلم الآلي على بيانات علم الأمراض. تدعم أكثر من 160 صيغة شريحة بما في ذلك Aperio SVS، NDPI، DICOM، OME-TIFF لتدفقات العمل في علم الأمراض الرقمي.

مجموعة أدوات شاملة للحوسبة الكمومية لبناء وتحسين وتنفيذ الدوائر الكمومية. تُستخدم عند العمل مع الخوارزميات الكمومية، والمحاكاة، أو الأجهزة الكمومية بما في ذلك (1) بناء الدوائر الكمومية باستخدام البوابات والقياسات، (2) تشغيل الخوارزميات الكمومية (VQE، QAOA، Grover)، (3) تحويل/تحسين الدوائر للأجهزة، (4) التنفيذ على IBM Quantum أو مزودين آخرين، (5) الكيمياء الكمومية وعلوم المواد، (6) التعلم الآلي الكمومي، (7) تصور الدوائر والنتائج، أو (8) أي مهمة تطوير في الحوسبة الكمومية.

الوصول إلى ZINC (أكثر من 230 مليون مركب قابل للشراء). البحث بواسطة معرف ZINC/SMILES، عمليات البحث بالتشابه، الهياكل الجاهزة ثلاثية الأبعاد للتثبيت، اكتشاف النظائر، للفحص الافتراضي واكتشاف الأدوية.

الوصول إلى NIH Metabolomics Workbench عبر REST API (أكثر من 4200 دراسة). استعلام عن المستقلبات، تسمية RefMet، بيانات MS/NMR، بحث m/z، بيانات وصفية للدراسة، لاستخدامها في علم الأيض واكتشاف العلامات الحيوية.

منصة أتمتة المختبرات لروبوتات Flex/OT-2. كتابة بروتوكولات API v2 الخاصة بالبروتوكولات، التعامل مع السوائل، وحدات الأجهزة (المسخن-المهتز، جهاز الترموسايكلر)، إدارة أدوات المختبر، لتدفقات العمل الآلية للبيبتينغ.

استعلام PubChem عبر واجهة برمجة التطبيقات PUG-REST / PubChemPy (أكثر من 110 مليون مركب). البحث بالاسم / CID / SMILES، استرجاع الخصائص، عمليات البحث بالتشابه / البنية الفرعية، النشاط البيولوجي، لأغراض المعلوماتية الكيميائية.

مجموعة أدوات أتمتة المختبر للتحكم في أجهزة التعامل مع السوائل، وقارئات الألواح، والمضخات، وأجهزة الخلط والتسخين، والحاضنات، وأجهزة الطرد المركزي، والمعدات التحليلية. استخدم هذه المهارة عند أتمتة سير العمل في المختبر، وبرمجة روبوتات التعامل مع السوائل (Hamilton STAR، Opentrons OT-2، Tecan EVO)، ودمج معدات المختبر، وإدارة تخطيطات الطاولات والموارد (الألواح، الرؤوس، الحاويات)، وقراءة الألواح، أو إنشاء بروتوكولات مختبرية قابلة للتكرار. تنطبق على كل من البروتوكولات المحاكاة والتحكم في الأجهزة الفيزيائية.

مجموعة أدوات علوم المواد. الهياكل البلورية (CIF، POSCAR)، مخططات الطور، بنية النطاق، كثافة الحالات (DOS)، تكامل مشروع المواد، تحويل الصيغ، لعلوم المواد الحاسوبية.