技能大全

通过API/FTP访问欧洲核苷酸档案库。可按登录号获取DNA/RNA序列、原始读数（FASTQ格式）、基因组组装数据，适用于基因组学和生物信息学流程。支持多种数据格式。

蛋白质语言模型综合工具包，涵盖ESM3（跨序列、结构与功能的多模态生成式蛋白质设计）和ESM C（高效蛋白质嵌入与表征）。适用于蛋白质序列分析、结构预测、功能推断、新型蛋白质设计、蛋白质嵌入生成、逆向折叠研究及蛋白质工程任务。支持本地模型部署与基于云的Forge API调用，可实现可扩展的推理计算。

基于Python的计算流体动力学仿真框架。适用于运行包含纳维-斯托克斯方程（二维/三维）、浅水方程、分层流动的流体动力学模拟，或用于分析湍流、涡旋动力学及地球物理流动。提供基于快速傅里叶变换的伪谱方法、高性能计算支持及全面的输出分析功能。

ClickHouse数据库模式、查询优化、数据分析及数据工程最佳实践，适用于高性能分析工作负载。

用于处理地理空间矢量数据的Python库，支持Shapefile、GeoJSON和GeoPackage等格式。适用于地理数据的空间分析、几何运算、坐标转换、空间连接、叠加操作、等值区域制图，以及任何涉及读取/写入/分析矢量地理数据的任务。兼容PostGIS数据库，支持交互式地图绘制，并能与matplotlib/folium/cartopy等工具集成。可用于缓冲区分析、数据集空间连接、边界融合、数据裁剪、面积距离计算、坐标系重投影、地图创建或空间文件格式转换等场景。

快速命令行与Python查询超过20个生物信息学数据库。适用于快速检索：基因信息、BLAST搜索、AlphaFold结构、富集分析。最适合交互式探索和简单查询。批量处理或高级BLAST应用推荐使用biopython；多数据库Python工作流建议使用bioservices。

高性能基因组区间分析工具包，采用Rust语言开发并配备Python接口。适用于基因组区域处理、BED文件操作、覆盖度轨迹分析、重叠检测、机器学习模型标记化，以及计算基因组学与机器学习应用中的片段分析等场景。

直接访问KEGG的REST API（仅限学术用途）。支持通路分析、基因-通路映射、代谢通路研究、药物相互作用分析及ID转换。若需在Python工作流中整合多数据库操作，推荐使用bioservices工具；如需直接进行HTTP/REST调用或需精细控制KEGG特定功能，则适用本接口。

此技能适用于操作LaminDB——一个面向生物学的开源数据框架，它能使数据具备可查询、可追溯、可复现及符合FAIR原则的特性。适用于以下场景：管理生物数据集（如单细胞RNA测序、空间转录组、流式细胞术等）、追踪计算工作流程、利用生物本体进行数据整理与验证、构建数据湖仓，或在生物学研究中确保数据沿袭与可重复性。涵盖领域包括数据管理、数据标注、本体应用（如基因、细胞类型、疾病、组织）、模式验证、与工作流管理器（如Nextflow、Snakemake）及MLOps平台（如W&B、MLflow）的集成，以及部署策略。

电子实验笔记本API集成。访问笔记本，管理条目/附件，备份笔记本，并与Protocols.io/Jupyter/REDCap集成，实现程序化的ELN工作流程。

用于生物信息学工作流的Latch平台。使用Latch SDK、@workflow/@task装饰器构建流程，部署无服务器工作流，支持LatchFile/LatchDir文件管理，集成Nextflow/Snakemake工具。

MATLAB与GNU Octave用于矩阵运算、数据分析、可视化及科学计算的数值计算工具。适用于编写涉及线性代数、信号处理、图像处理、微分方程、优化算法、统计分析的MATLAB/Octave脚本，或创建科学可视化图表。当用户需要MATLAB语法帮助、函数查询，或需在MATLAB与Python代码间转换时亦可使用。脚本可通过MATLAB或开源GNU Octave解释器执行。

在云端运行Python代码，享受无服务器容器、GPU和自动扩展服务。适用于部署机器学习模型、执行批量处理任务、调度计算密集型作业，或提供需要GPU加速或动态扩展的API服务。

Python网络分析综合工具包：用于创建、分析和可视化复杂网络与图结构。适用于处理网络/图数据结构、分析实体间关联、计算图算法（最短路径、中心性、聚类）、检测社区结构、生成合成网络或可视化网络拓扑。可广泛应用于社交网络、生物网络、交通系统、引文网络等涉及成对关系分析的领域。

Opentrons官方协议API，专为OT-2和Flex机器人设计。适用于编写针对Opentrons硬件的协议，全面支持Protocol API v2功能。最适合生产环境中的Opentrons协议，确保官方API兼容性。若需多厂商自动化或更广泛的设备控制，请使用pylabrobot。

硬件无关的量子机器学习框架，支持自动微分功能。适用于通过梯度训练量子电路、构建量子-经典混合模型，或需要在IBM/Google/Rigetti/IonQ等平台间实现设备可移植性的场景。特别适合变分量子算法（如VQE、QAOA）、量子神经网络开发，并能与PyTorch/JAX/TensorFlow无缝集成。如需针对特定硬件进行优化，请使用qiskit（IBM平台）或cirq（Google平台）；若涉及开放量子系统研究，推荐使用qutip工具包。

交互式可视化库。适用于需要悬停信息、缩放、平移或网页嵌入图表的场景，是构建仪表板、探索性分析和演示文稿的理想选择。若需生成静态出版图表，请使用matplotlib或科学可视化工具。

快速内存DataFrame库，适用于可装入RAM的数据集。在pandas速度过慢但数据仍可放入内存时使用。支持延迟计算、并行执行，后端采用Apache Arrow。最适合1-100GB数据集、ETL流程及替代pandas实现加速。若数据量超过内存容量，建议使用dask或vaex。