Pack de 163 skills
Colección de 163 skills para agentes de IA orientadas a investigación científica: bioinformática, cheminformática, proteómica, imagen médica, estadística, simulación y acceso a más de 100 bases de datos.
indexados aquí
cubiertas
en GitHub
al repositorio
v2.65.0
Funciona con cualquier agente que lea SKILL.md
npx -y skills add K-Dense-AI/scientific-agent-skills --agent claude-codeInstala todos los skills del repositorio, solo en este proyecto.
Instala los 163 skills del repositorio de una vez. Cada ficha individual trae su propio comando si solo quieres uno — cada skill instalado ocupa contexto en el agente.
El repositorio agrupa 163 skills por dominio: en genómica y bioinformática incluye Scanpy, Biopython, Pysam, Gget, Bulk Rnaseq y Pydeseq2; en química y descubrimiento de fármacos, Rdkit, Datamol, Diffdock y Molecular Dynamics; en clínica y regulatorio, Pkpd Modeling, Analytical Method Validation e Iso Standards Readiness; en imagen, Pathml, Pydicom e Imaging Data Commons; y en análisis y comunicación, Statistical Analysis, Scikit Learn, Literature Review, Scientific Writing y Pptx Posters. Se suman skills de acceso a bases como Database Lookup, Bioservices, Depmap y Primekg, e integraciones de laboratorio como Benchling, Opentrons y Ginkgo Cloud Lab.
Quien instalaría el pack completo es un equipo o laboratorio que mueve un agente entre distintas etapas de un proyecto de investigación —consultar bases de datos, ejecutar análisis con paquetes Python especializados, redactar manuscritos o pósters— sin quedar limitado a un único dominio científico. También sirve a quien construye un asistente de investigación amplio sobre Cursor, Claude Code, Codex u otro host compatible con Agent Skills.
No cubre decisiones clínicas, diagnósticas ni de certificación: skills como Treatment Plans, Clinical Reports e Iso Standards Readiness están acotadas a documentación, evidencia o preparación, y excluyen atención al paciente, alarmas o decisiones de cumplimiento legal.
Los 24 más populares del pack, sobre Investigación, Datos y analítica, Documentos.
Para tareas de machine learning con series temporales: clasificación, regresión, clustering, forecasting, detección de anomalías, segmentación y búsqueda de similitud, con APIs compatibles con scikit-learn.
Parseo local de documentos y PDF que devuelve texto espacial con bounding boxes: extrae texto, hace OCR de escaneos, genera JSON con layout para RAG y renderiza páginas a PNG. Todo local, sin API en la nube.
Programa publicaciones en todas tus redes desde un solo sitio.
Envoltura pythónica sobre RDKit con interfaz simplificada para descubrimiento de fármacos: parsing de SMILES, estandarización, descriptores, fingerprints, clustering y conformeros 3D. Para control avanzado usa rdkit directamente.
Acoplamiento molecular con DiffDock y DiffDock-L: predice la pose de unión proteína-ligando desde PDB o secuencia más SMILES/SDF/MOL2, cribado por lotes e interpretación de confianza. No predice afinidad.
Lee, inspecciona y escribe archivos FCS (Flow Cytometry Standard) 2.0, 3.0 y 3.1 con FlowIO: metadatos de bajo nivel, canales, extracción de eventos a NumPy, múltiples datasets y creación de FCS 3.1. Usa FlowKit para compensación o gating.
Analiza, manipula, compara, anota y visualiza árboles filogenéticos u otros árboles jerárquicos con ETE 4: Newick/Nexus, distancia Robinson-Foulds, reconciliación de árboles génicos, taxonomía y renderizado.
Planifica, configura, inspecciona, reinicia y analiza simulaciones CFD con FluidSim con controles explícitos de validez numérica y seguridad HPC: selección de solver, parámetros, FFT/MPI, diagnóstico de salidas y compatibilidad de reinicio.
Skill integral de ciencia geoespacial: teledetección, GIS, análisis espacial y ML para observación de la Tierra en más de 30 dominios científicos, con 500+ ejemplos de código en 8 lenguajes de programación.
Formula preguntas científicas acotadas por evidencia, hipótesis candidatas, explicaciones rivales, afirmaciones causales o asociativas, predicciones discriminantes y planes de análisis listos para preregistro.
Resuelve etiquetas científicas en texto libre a IDs de ontología y valida CURIEs existentes contra el EBI Ontology Lookup Service (OLS4), para anotar tejido, tipo celular, enfermedad, fenotipo o metadatos de envío como GEO o ENA.
Crea, analiza y visualiza redes y grafos complejos en Python con NetworkX: algoritmos de grafos (caminos más cortos, centralidad, clustering), detección de comunidades, generación de redes sintéticas y E/S de formatos.
Haz crecer tu tráfico orgánico en piloto automático.
Framework de optimización multiobjetivo: NSGA-II, NSGA-III, MOEA/D, frentes de Pareto, manejo de restricciones y benchmarks (ZDT, DTLZ) para problemas de diseño e ingeniería.
Rastrea unidades físicas y propaga incertidumbre de medición con pint y uncertainties: conversión y chequeo dimensional, presupuestos GUM, Monte Carlo, redondeo, constantes CODATA, auditoría de código y plausibilidad física.
Análisis estructurado de escenarios "qué pasaría si" con 4-6 ramas (mejor caso, probable, peor caso, wild card, contrarian, segundo orden). Para preguntas especulativas, bifurcaciones estratégicas o poner a prueba una decisión.
Consulta la API REST U.S. Treasury Fiscal Data para datos financieros federales de EE. UU., sin API key: deuda nacional, estados diarios y mensuales del Tesoro, subastas de valores, tasas de interés, tipo de cambio y bonos de ahorro.
Crea, edita, analiza o convierte hojas Excel (.xlsx, .xlsm, .xltx) cuando el libro es el entregable principal: fórmulas, formato, modelos financieros, libros con varias hojas y limpieza tabular a Excel. También sirve para .csv/.tsv.
Cómo usar la API y el SDK de Python de Adaptyv Bio Foundry para diseñar, enviar y consultar experimentos de proteínas: binding, screening, BLI/SPR, termoestabilidad. Se activa si el código importa `adaptyv`, `adaptyv_sdk` o `FoundryClient`.
Planifica, ejecuta y documenta la validación, verificación y transferencia de procedimientos analíticos (HPLC, LC-MS/MS, GC, ICP-MS, qPCR, ensayos de unión) bajo ICH Q2(R2)/Q14, USP, ICH M10, CLSI EP o ISO/IEC 17025.
Mejora de forma autónoma un artefacto real (código, receta de entrenamiento, harness de agentes, pipeline de datos, prompt) frente a un objetivo y un evaluador, usando Hypothesis Tree Refinement (HTR) del paper Arbor.
Busca papers científicos y obtiene datos experimentales estructurados extraídos de estudios a texto completo vía el servidor MCP de BGPT: más de 25 campos por paper (métodos, resultados, muestras, calidad, conclusiones).
Revisiones de código con IA. Detecta bugs y corrígelos en un clic.
Para trabajar con datasets Brain Imaging Data Structure (BIDS): organizar datos de neurociencia y biomedicina, consultar layouts, validar cumplimiento, convertir DICOM a BIDS, escribir sidecars o crear derivados.
Consulta programáticamente la CZ CELLxGENE Census: metadatos y expresión de single-cell/espacial versionados a escala poblacional, entre organismos, tejidos, enfermedades y ensayos, sin descargar datasets enteros.
ML molecular con featurizers diversos y datasets preconstruidos. Para predicción de propiedades (ADMET, toxicidad) con ML tradicional o GNN. Para PyTorch graph-first usa torchdrug; para datasets de benchmark usa pytdc.
Genera transcriptómica espacial virtual de todo el transcriptoma a partir de histología H&E con DeepSpot-M: expresión génica en log1p-CPM por tile de 224x224 a ~20x, consultando genes por símbolo.
Agrupados por categoría. Cada uno enlaza a su ficha con el comando de instalación, los permisos que pide y el SKILL.md completo.
