scientific-agent-skills

科学智能体技能 (Scientific Agent Skills)

🔔 Claude 科学技能现已更名为科学智能体技能。技能不变，兼容性更广——现在可配合任何支持开放 Agent Skills 标准的 AI 智能体使用，而不仅限于 Claude。

新版：K-Dense BYOK — 一款免费、开源的 AI 合作科学家，运行在你的桌面上，由科学智能体技能驱动。自带 API 密钥，从 40+ 模型中选择，获得完整的研究工作空间，包含网页搜索、文件处理、100+ 科学数据库以及本仓库中全部 135 项技能。你的数据保留在你的计算机上，可选通过 Modal 扩展至云算力以应对繁重工作负载。从这里开始。

一个全面的收藏，包含 135 项即用型科学和研究技能（涵盖癌症基因组学、药物-靶标结合、分子动力学、RNA velocity、地理空间科学、时间序列预测、通过 Hugging Science 进行科学 ML 资源发现、78+ 科学数据库等），适用于任何支持开放 Agent Skills 标准的 AI 智能体，由 K-Dense 创建。可与 Cursor、Claude Code、Codex 等 配合使用。将你的 AI 智能体转变为研究助手，能够执行跨生物学、化学、医学等领域的复杂多步科学工作流。

---

这些技能使你的 AI 智能体能够无缝处理生物学、化学、医学等多个科学领域的专业库、数据库和工具。虽然智能体本身可以使用任何 Python 包或 API，但这些明确定义的技能提供了精选的文档和示例，使其在以下工作流中更强大、更可靠：

• 🧬 生物信息学与基因组学 - 序列分析、单细胞 RNA-seq、基因调控网络、变异注释、系统发育分析
• 🧪 化学信息学与药物发现 - 分子性质预测、虚拟筛选、ADMET 分析、分子对接、先导化合物优化
• 🔬 蛋白质组学与质谱分析 - LC-MS/MS 处理、肽段鉴定、谱图匹配、蛋白质定量
• 🏥 临床研究与精准医学 - 临床试验、药物基因组学、变异解读、药物安全性、临床决策支持、治疗方案
• 🧠 医疗 AI 与临床 ML - EHR 分析、生理信号处理、医学影像、临床预测模型
• 🖼️ 医学影像与数字病理学 - DICOM 处理、全切片图像分析、计算病理学、放射学工作流
• 🤖 机器学习与 AI - 深度学习、强化学习、时间序列分析、模型可解释性、贝叶斯方法
• 🔮 材料科学与化学 - 晶体结构分析、相图、代谢建模、计算化学
• 🌌 物理学与天文学 - 天文数据分析、坐标变换、宇宙学计算、符号数学、物理计算
• ⚙️ 工程与仿真 - 离散事件仿真、多目标优化、代谢工程、系统建模、过程优化
• 📊 数据分析与可视化 - 统计分析、网络分析、时间序列、出版级图表、大规模数据处理、EDA
• 🌍 地理空间科学与遥感 - 卫星图像处理、GIS 分析、空间统计、地形分析、地球观测机器学习
• 🧪 实验室自动化 - 液体处理协议、实验室设备控制、工作流自动化、LIMS 集成
• 📚 科学交流 - 文献综述、同行评审、科学写作、文档处理、海报、幻灯片、示意图、文献管理
• 🔬 多组学与系统生物学 - 多模态数据整合、通路分析、网络生物学、系统级见解
• 🧬 蛋白质工程与设计 - 蛋白质语言模型、结构预测、序列设计、功能注释
• 🎓 研究方法学 - 假设生成、科学头脑风暴、批判性思维、基金申请、学者评估

在桌面上将你的 AI 编码智能体转变为“AI 科学家”！

⭐ 如果你觉得这个仓库有用，请考虑给它一个星标！这有助于他人发现这些工具，并鼓励我们继续维护和扩展这个收藏。

🎬 刚接触科学智能体技能？ 观看我们的 科学智能体技能入门指南 视频，快速了解。

---

📦 包含内容

本仓库提供 135 项科学和研究技能，按以下类别组织：

• 100+ 科学与金融数据库 - 统一的数据库查找技能提供对 78 个公共数据库的直接访问（PubChem、ChEMBL、UniProt、COSMIC、ClinicalTrials.gov、FRED、USPTO 等），外加专门的技能用于 DepMap、Imaging Data Commons、PrimeKG、美国财政部财政数据以及 Hugging Science（Hugging Face 上涵盖 17 个科学领域的精选数据集、模型和演示目录）。多数据库包如 BioServices（约 40 项生物信息服务）、BioPython（通过 Entrez 访问 38 个 NCBI 子数据库）和 gget（20+ 基因组学数据库）进一步扩展了覆盖范围
• 70+ 优化后的 Python 包技能 - 明确定义的技能，用于 RDKit、Scanpy、PyTorch Lightning、scikit-learn、BioPython、pyzotero、BioServices、PennyLane、Qiskit、OpenMM、MDAnalysis、scVelo、TimesFM 等——提供精选文档、示例和最佳实践。注意：智能体可以使用 任何 Python 包编写代码，不仅限于这些；这些技能仅针对所列包提供更强、更可靠的性能
• 9 项科学集成技能 - 明确定义的技能，用于 Benchling、DNAnexus、LatchBio、OMERO、Protocols.io、Open Notebook 等。同样，智能体不仅限于这些——任何可通过 Python 访问的 API 或平台都可使用；这些技能是优化后、预文档化的路径
• 30+ 分析与交流工具 - 文献综述、科学写作、同行评审、文档处理、海报、幻灯片、示意图、信息图、Mermaid 图表等
• 10+ 研究与临床工具 - 假设生成、基金申请、临床决策支持、治疗方案、法规合规、情景分析

每项技能包括：

• ✅ 全面文档（SKILL.md）
• ✅ 实用代码示例
• ✅ 使用案例与最佳实践
• ✅ 集成指南
• ✅ 参考资料

---

📋 目录

• 包含内容
• 为什么使用？
• 快速开始
• 安全免责声明
• 支持开源
• 前提条件
• 快速示例
• 使用案例
• 可用技能
• 贡献
• 故障排除
• 常见问题
• 支持
• 引用
• 许可证

---

🚀 为什么使用此项目？

⚡ 加速你的研究

• 节省数天工作量 - 跳过 API 文档研究和集成设置
• 生产级代码 - 经过测试、验证的示例，遵循科学最佳实践
• 多步工作流 - 通过单个提示执行复杂管道

🎯 全面覆盖

• 135 项技能 - 覆盖所有主要科学领域
• 100+ 数据库 - 通过 database-lookup 统一访问 78+ 数据库，外加专门的数据访问技能以及多数据库包如 BioServices、BioPython 和 gget
• 70+ 优化后的 Python 包技能 - RDKit、Scanpy、PyTorch Lightning、scikit-learn、BioServices、PennyLane、Qiskit、OpenMM、scVelo、TimesFM 等（智能体可使用任何 Python 包；这些是预文档化、性能更高的路径）

🔧 易于集成

• 简单设置 - 将技能复制到技能目录即可开始使用
• 自动发现 - 你的智能体自动发现并使用相关技能
• 文档完善 - 每项技能包含示例、使用案例和最佳实践

🌟 持续维护与支持

• 定期更新 - K-Dense 团队持续维护和扩展
• 社区驱动 - 开源，积极接受社区贡献
• 企业就绪 - 提供商业支持以满足高级需求

---

🎯 快速开始

选项 1：npx（所有平台）

通过一条命令安装科学智能体技能：

npx skills add K-Dense-AI/scientific-agent-skills

这是在 所有平台（包括 Claude Code、Claude Cowork、Codex、Gemini CLI、Cursor 以及任何其他支持开放 Agent Skills 标准的智能体）上安装 Agent Skills 的官方标准方法。

选项 2：GitHub CLI（gh skill）

如果你使用 GitHub CLI（v2.90.0+），可以通过 gh skill 安装技能：

# 交互式浏览和安装
gh skill install K-Dense-AI/scientific-agent-skills

# 直接安装特定技能
gh skill install K-Dense-AI/scientific-agent-skills scanpy

# 指定目标智能体宿主
gh skill install K-Dense-AI/scientific-agent-skills --agent cursor
gh skill install K-Dense-AI/scientific-agent-skills --agent claude-code
gh skill install K-Dense-AI/scientific-agent-skills --agent codex
gh skill install K-Dense-AI/scientific-agent-skills --agent gemini

gh skill 会自动安装到你智能体宿主的正确目录，并记录来源元数据以确保供应链完整性。

版本锁定

锁定到特定发布标签或提交 SHA 以实现可重复安装：

# 锁定到发布标签
gh skill install K-Dense-AI/scientific-agent-skills --pin v1.0.0

# 锁定到提交 SHA
gh skill install K-Dense-AI/scientific-agent-skills --pin abc123def

保持技能更新

# 交互式检查更新
gh skill update

# 更新所有已安装的技能
gh skill update --all

就这样！ 你的 AI 智能体将自动发现这些技能，并在相关时用于你的科学任务。你也可以通过在提示中提及技能名称来手动调用任何技能。

---

⚠️ 安全免责声明

技能可以执行代码并影响你的编码智能体的行为。请仔细审查你安装的内容。

Agent Skills 功能强大——它们可以指示你的 AI 智能体运行任意代码、安装包、发起网络请求以及修改系统文件。恶意或编写不当的技能可能会引导你的编码智能体做出有害行为。

我们认真对待安全性。所有贡献都经过审核流程，我们通过 LLM 安全扫描（通过 Cisco AI Defense Skill Scanner）对本仓库中的每项技能进行扫描。然而，作为一个团队规模较小且社区贡献日益增多，我们无法保证每项技能都已针对所有可能风险进行了详尽审查。

最终，你有责任审查你安装的技能，并决定哪些可以信任。

我们建议如下：

• 不要一次性全部安装。 只安装你实际工作中需要的技能。虽然当 K-Dense 创建并维护每项技能时，完整集合的安装是合理的，但现在仓库包含许多我们可能审查不够彻底的社区贡献。
• 在安装前阅读 SKILL.md。 每项技能的文档描述了它的功能、使用的包以及连接的外部服务。如果看起来可疑，请不要安装。
• 查看贡献历史。 K-Dense（K-Dense-AI）编写的技能已经过我们的内部审查流程。社区贡献的技能已尽最大努力进行审查，但资源有限。
• 自行运行安全扫描器。 在安装第三方技能之前，在本地扫描它们：

  uv pip install cisco-ai-skill-scanner
  skill-scanner scan /path/to/skill --use-behavioral
  

• 报告任何可疑内容。 如果你发现看起来恶意或行为异常的技能，请立即提交问题，以便我们进行调查。

所有技能大约每周扫描一次，SECURITY.md 会更新最新结果。我们尽力在安全问题出现时及时处理。

---

❤️ 支持开源社区

科学智能体技能由全球 dedicated 开发者和研究社区维护的 50+ 个令人赞叹的开源项目 驱动。Biopython、Scanpy、RDKit、scikit-learn、PyTorch Lightning 等众多项目构成了这些技能的基础。

如果你觉得这个仓库有价值，请考虑支持使这一切成为可能的项目：

• ⭐ 在 GitHub 上给它们的仓库加星
• 💰 通过 GitHub Sponsors 或 NumFOCUS 赞助维护者
• 📝 在你的出版物中引用项目
• 💻 贡献 代码、文档或错误报告

👉 查看需要支持的项目完整列表

---

⚙️ 前提条件

• Python：3.11+（推荐 3.12+ 以获得最佳兼容性）
• uv：Python 包管理器（安装技能依赖项必需）
• 客户端：任何支持 Agent Skills 标准的智能体（Cursor、Claude Code、Gemini CLI、Codex 等）
• 系统：macOS、Linux 或安装了 WSL2 的 Windows
• 依赖项：由各技能自动处理（查看 SKILL.md 文件了解具体需求）

安装 uv

这些技能使用 uv 作为包管理器来安装 Python 依赖项。根据你的操作系统使用相应说明进行安装：

macOS 和 Linux：

curl -LsSf https://astral.sh/uv/install.sh | sh

Windows：

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

替代方案（通过 pip）：

pip install uv

安装完成后，运行以下命令验证是否正常工作：

uv --version

更多安装选项和详细信息，请访问官方 uv 文档。

---

💡 快速示例

安装技能后，你可以让 AI 智能体执行复杂的多步科学工作流。以下是一些示例提示：

🧪 药物发现流水线

目标：为肺癌治疗发现新型 EGFR 抑制剂

提示：

尽可能使用你可用的技能。查询 ChEMBL 以获取 EGFR 抑制剂（IC50 < 50nM），使用 RDKit 分析构效关系，使用 datamol 生成改进的类似物，使用 DiffDock 针对 AlphaFold EGFR 结构进行虚拟筛选，搜索 PubMed 寻找耐药机制，检查 COSMIC 中的突变，并创建可视化和综合报告。

使用的技能：ChEMBL、RDKit、datamol、DiffDock、AlphaFold DB、PubMed、COSMIC、科学可视化

需要云端 GPU 和可发表的最终报告？在 K-Dense Web 上免费运行。

---

🔬 单细胞 RNA-seq 分析

目标：整合公共数据进行全面的 10X Genomics 数据分析

提示：

尽可能使用你可用的技能。使用 Scanpy 加载 10X 数据集，进行 QC 和双细胞去除，与 Cellxgene Census 数据整合，使用 NCBI Gene 标记物鉴定细胞类型，使用 PyDESeq2 进行差异表达分析，使用 Arboreto 推断基因调控网络，通过 Reactome/KEGG 富集通路，并使用 Open Targets 识别治疗靶点。

使用的技能：Scanpy、Cellxgene Census、NCBI Gene、PyDESeq2、Arboreto、Reactome、KEGG、Open Targets

想要零设置的云端执行和可共享的输出？免费试用 K-Dense Web。

---

🧬 多组学生物标志物发现

目标：整合 RNA-seq、蛋白质组学和代谢组学以预测患者预后

提示：

尽可能使用你可用的技能。使用 PyDESeq2 分析 RNA-seq，使用 pyOpenMS 处理质谱数据，从 HMDB/Metabolomics Workbench 整合代谢物，将蛋白质映射到通路（UniProt/KEGG），通过 STRING 寻找相互作用，使用 statsmodels 分析组学层相关性，使用 scikit-learn 构建预测模型，并在 ClinicalTrials.gov 搜索相关试验。

使用的技能：PyDESeq2、pyOpenMS、HMDB、Metabolomics Workbench、UniProt、KEGG、STRING、statsmodels、scikit-learn、ClinicalTrials.gov

此流水线计算量较大。在 K-Dense Web 上使用云端 GPU 运行，免费开始。

---

🎯 虚拟筛选活动

目标：发现蛋白质-蛋白质相互作用的变构调节剂

提示：

尽可能使用你可用的技能。获取 AlphaFold 结构，使用 BioPython 识别相互作用界面，在 ZINC 中搜索变构候选物（MW 300-500，logP 2-4），使用 RDKit 进行过滤，使用 DiffDock 进行对接，使用 DeepChem 进行排序，检查 PubChem 供应商，搜索 USPTO 专利，并使用 MedChem/molfeat 优化先导化合物。

使用的技能：AlphaFold DB、BioPython、ZINC、RDKit、DiffDock、DeepChem、PubChem、USPTO、MedChem、molfeat

跳过本地 GPU 瓶颈。在 K-Dense Web 上免费运行虚拟筛选。

---

🏥 临床变异解读

目标：分析用于遗传性癌症风险评估的 VCF 文件

提示：

尽可能使用你可用的技能。使用 pysam 解析 VCF，使用 Ensembl VEP 注释变异，查询 ClinVar 以确定致病性，检查 COSMIC 中的癌症突变，从 NCBI Gene 获取基因信息，使用 UniProt 分析蛋白质影响，搜索 PubMed 查找病例报告，检查 ClinPGx 进行药物基因组学分析，使用文档处理工具生成临床报告，并在 ClinicalTrials.gov 上查找匹配的试验。

使用的技能：pysam、Ensembl、ClinVar、COSMIC、NCBI Gene、UniProt、PubMed、ClinPGx、文档技能、ClinicalTrials.gov

需要最终的可发表临床报告而不仅仅是代码？K-Dense Web 提供可发表的输出。免费试用。

---

🌐 系统生物学网络分析

目标：从 RNA-seq 数据分析基因调控网络

提示：

尽可能使用你可用的技能。查询 NCBI Gene 获取注释，从 UniProt 检索序列，通过 STRING 识别相互作用，映射到 Reactome/KEGG 通路，使用 Torch Geometric 分析拓扑结构，使用 Arboreto 重建 GRN，使用 Open Targets 评估可成药性，使用 PyMC 建模，可视化网络，并在 GEO 中搜索相似模式。

使用的技能：NCBI Gene、UniProt、STRING、Reactome、KEGG、Torch Geometric、Arboreto、Open Targets、PyMC、GEO

想要端到端的流水线、可共享的输出且无需设置？免费试用 K-Dense Web。

📖 想要更多示例？ 查看 docs/examples.md 获取全面的工作流示例以及跨所有科学领域的详细使用案例。

---

🚀 想跳过设置直接做科学？

是否曾遇到过这些情况？

• 你花在配置环境上的时间比分析本身还多
• 你的工作流需要本地机器没有的 GPU
• 你需要的不仅仅是脚本，而是可共享、可发表的图表或报告
• 你想立刻运行复杂的多步流水线，而不想先阅读包文档

如果是这样，K-Dense Web 正是为你打造的。它是完整的 AI 合作科学家平台：包含本仓库的一切，外加云端 GPU、200+ 项技能，以及可直接放入论文或演示文稿的输出。零设置。

功能	本仓库	K-Dense Web
科学技能	135 项	200+ 项技能（独家访问）
设置	手动安装	零设置，即时可用
算力	你的机器	包含云端 GPU 和 HPC
工作流	提示和代码	端到端研究流水线
输出	代码和分析	可发表的图表、报告和论文
集成	本地工具	实验室系统、ELN 和云存储

“K-Dense Web 让我在一个下午内从原始测序数据到草稿图表。以前需要三天环境设置和脚本编写的工作，现在直接可用。” 计算生物学研究员，药物发现

试用 K-Dense Web

k-dense.ai | 阅读完整对比

---

🔬 使用案例

🧪 药物发现与药物化学

• 虚拟筛选：针对蛋白质靶标筛选 PubChem/ZINC 中的数百万化合物
• 先导化合物优化：使用 RDKit 分析构效关系，使用 datamol 生成类似物
• ADMET 预测：使用 DeepChem 预测吸收、分布、代谢、排泄和毒性
• 分子对接：使用 DiffDock 预测结合姿势和亲和力
• 生物活性挖掘：查询 ChEMBL 获取已知抑制剂并分析 SAR 模式

🧬 生物信息学与基因组学

• 序列分析：使用 BioPython 和 pysam 处理 DNA/RNA/蛋白质序列
• 单细胞分析：使用 Scanpy 分析 10X Genomics 数据，使用 Arboreto 鉴定细胞类型并推断 GRN
• 变异注释：使用 Ensembl VEP 注释 VCF 文件，查询 ClinVar 以确定致病性
• 变异数据库管理：使用 TileDB-VCF 构建可扩展的 VCF 数据库，支持增量样本添加、高效群体规模查询和变异数据的压缩存储
• 基因发现：查询 NCBI Gene、UniProt 和 Ensembl 获取全面基因信息
• 网络分析：通过 STRING 识别蛋白质-蛋白质相互作用，映射到通路（KEGG、Reactome）

🏥 临床研究与精准医学

• 临床试验：搜索 ClinicalTrials.gov 查找相关研究，分析入选标准
• 变异解读：使用 ClinVar、COSMIC 和 ClinPGx 注释变异以进行药物基因组学分析
• 药物安全性：查询 FDA 数据库获取不良事件、药物相互作用和召回信息
• 精准治疗：将患者变异与靶向治疗和临床试验匹配

🔬 多组学与系统生物学

• 多组学整合：结合 RNA-seq、蛋白质组学和代谢组学数据
• 通路分析：在 KEGG/Reactome 通路中富集差异表达基因
• 网络生物学：重建基因调控网络，识别中枢基因
• 生物标志物发现：整合多组学层次以预测患者预后

📊 数据分析与可视化

• 统计分析：执行假设检验、功效分析和实验设计
• 出版级图表：使用 matplotlib 和 seaborn 创建出版级可视化
• 网络可视化：使用 NetworkX 可视化生物网络
• 报告生成：使用文档技能生成全面的 PDF 报告

🧪 实验室自动化

• 协议设计：创建用于自动液体处理的 Opentrons 协议
• LIMS 集成：与 Benchling 和 LabArchives 集成进行数据管理
• 工作流自动化：自动化多步骤实验室工作流

---

📚 可用技能

本仓库包含 135 项科学和研究技能，按多个领域组织。每项技能都提供了与科学库、数据库和工具配合使用的全面文档、代码示例和最佳实践。

技能分类

注意： 下面列出的 Python 包和集成技能是明确定义的技能——经过精心整理的文档、示例和最佳实践，以实现更强、更可靠的性能。它们不是上限：智能体可以安装和使用 任何 Python 包或调用 任何 API，即使没有专门的技能。列出的技能只是使常见工作流更快、更可靠。

🧬 生物信息学与基因组学（21+ 项技能）

• 序列分析：BioPython、pysam、scikit-bio、BioServices
• 单细胞分析：Scanpy、AnnData、scvi-tools、scVelo（RNA velocity）、Arboreto、Cellxgene Census
• 基因组学工具：gget、geniml、gtars、deepTools、FlowIO、Polars-Bio、Zarr、TileDB-VCF
• 差异表达：PyDESeq2
• 系统发育学：ETE Toolkit、Phylogenetics（MAFFT、IQ-TREE 2、FastTree）

🧪 化学信息学与药物发现（10+ 项技能）

• 分子操作：RDKit、Datamol、Molfeat
• 深度学习：DeepChem、TorchDrug
• 对接与筛选：DiffDock
• 分子动力学：OpenMM + MDAnalysis（MD 模拟与轨迹分析）
• 云端量子化学：Rowan（pKa、对接、共折叠）
• 类药性：MedChem
• 基准测试：PyTDC

🔬 蛋白质组学与质谱分析（2 项技能）

• 谱图处理：matchms、pyOpenMS

🏥 临床研究与精准医学（8+ 项技能）

• 临床数据库：通过 Database Lookup（ClinicalTrials.gov、ClinVar、ClinPGx、COSMIC、FDA、cBioPortal、Monarch 等）
• 癌症基因组学：DepMap（癌症依赖性评分、药物敏感性）
• 癌症影像：Imaging Data Commons（NCI 放射学与病理学数据集，通过 idc-index）
• 医疗 AI：PyHealth、NeuroKit2、临床决策支持
• 临床文档：临床报告、治疗方案

🖼️ 医学影像与数字病理学（3 项技能）

• DICOM 处理：pydicom
• 全切片成像：histolab、PathML

🧠 神经科学与电生理学（1 项技能）

• 神经记录：Neuropixels-Analysis（胞外尖峰、硅探针、尖峰分类）

🤖 机器学习与 AI（16+ 项技能）

• 深度学习：PyTorch Lightning、Transformers、Stable Baselines3、PufferLib
• 经典 ML：scikit-learn、scikit-survival、SHAP
• 时间序列：aeon、TimesFM（Google 的零样本单变量预测基础模型）
• 贝叶斯方法：PyMC
• 优化：PyMOO
• 图 ML：Torch Geometric
• 降维：UMAP-learn
• 统计建模：statsmodels

🔮 材料科学、化学与物理学（7 项技能）

• 材料：Pymatgen
• 代谢建模：COBRApy
• 天文学：Astropy
• 量子计算：Cirq、PennyLane、Qiskit、QuTiP

⚙️ 工程与仿真（4 项技能）

• 数值计算：MATLAB/Octave
• 计算流体动力学：FluidSim
• 离散事件仿真：SimPy
• 符号数学：SymPy

📊 数据分析与可视化（16+ 项技能）

• 可视化：Matplotlib、Seaborn、科学可视化
• 地理空间分析：GeoPandas、GeoMaster（遥感、GIS、卫星影像、空间 ML，500+ 示例）
• 数据处理：Dask、Polars、Vaex
• 网络分析：NetworkX
• 文档处理：文档技能（PDF、DOCX、PPTX、XLSX）
• 信息图：信息图（AI 驱动的专业信息图创建）
• 图表：Markdown 与 Mermaid 写作（文本图表作为默认文档标准）
• 探索性数据分析：EDA 工作流
• 统计分析：统计分析工作流

🧪 实验室自动化（4 项技能）

• 液体处理：PyLabRobot
• 云端实验室：Ginkgo Cloud Lab（无细胞蛋白质表达、荧光像素艺术，通过自主 RAC 基础设施）
• 协议管理：Protocols.io
• LIMS 集成：Benchling、LabArchives

🔬 多组学与系统生物学（4+ 项技能）

• 通路分析：通过 Database Lookup（KEGG、Reactome、STRING）和 PrimeKG
• 多组学：HypoGeniC
• 数据管理：LaminDB

🧬 蛋白质工程与设计（3 项技能）

• 蛋白质语言模型：ESM
• 糖工程：Glycoengineering（N/O-糖基化预测、治疗性抗体优化）
• 云端实验室平台：Adaptyv（自动化蛋白质测试与验证）

📚 科学交流（20+ 项技能）

• 文献：Paper Lookup（PubMed、PMC、bioRxiv、medRxiv、arXiv、OpenAlex、Crossref、Semantic Scholar、CORE、Unpaywall）、文献综述
• 高级论文搜索：BGPT Paper Search（每篇论文 25+ 个结构化字段——方法、结果、样本量、质量分数——来自全文，而非仅摘要）
• 网络搜索：Parallel Web（带引用的综合摘要）
• 研究笔记本：Open Notebook（自托管 NotebookLM 替代方案——PDF、视频、音频、网页；16+ 个 AI 提供商；多说话人播客生成）
• 写作：科学写作、同行评审
• 文档处理：XLSX、MarkItDown、文档技能
• 出版：Venue Templates
• 演示：科学幻灯片、LaTeX 海报、PPTX 海报
• 图表：科学示意图、Markdown 与 Mermaid 写作
• 信息图：信息图（10 种类型、8 种风格、色盲安全调色板）
• 引用：文献管理
• 插画：Generate Image（使用 FLUX.2 Pro 和 Gemini 3 Pro（Nano Banana Pro）的 AI 图像生成）

🔬 科学数据库与数据访问（6 项技能 → 总计 100+ 数据库）

统一的数据库查找技能提供对 78 个跨所有领域的公共数据库的 REST API 直接访问。专用技能涵盖特定数据平台。多数据库包如 BioServices（约 40 项生物信息服务）、BioPython（通过 Entrez 访问 38 个 NCBI 子数据库）和 gget（20+ 基因组学数据库）进一步扩展了覆盖范围。

• 统一访问：Database Lookup（78 个数据库，涵盖化学、基因组学、临床、通路、专利、经济学等——PubChem、ChEMBL、UniProt、PDB、AlphaFold、KEGG、Reactome、STRING、ClinVar、COSMIC、ClinicalTrials.gov、FDA、FRED、USPTO、SEC EDGAR 等数十个）
• 癌症基因组学：DepMap（癌细胞系依赖性、药物敏感性、基因效应谱）
• 癌症影像：Imaging Data Commons（NCI 放射学与病理学数据集，通过 idc-index）
• 知识图谱：PrimeKG（精准医学知识图谱——基因、药物、疾病、表型）
• 财政数据：美国财政部财政数据（国债、财政部报表、拍卖、汇率）
• 科学 ML 资源目录：Hugging Science（跨 17 个科学领域——天文学、生物学、化学、气候、基因组学、材料科学、医学、物理学、科学推理等——的数据集、模型、博客文章和交互式 Spaces 的精选索引，包含 datasets、transformers 和 gradio_client 的使用模式）

🔧 基础设施与平台（7+ 项技能）

• 云端计算：Modal
• GPU 加速：优化 GPU（CuPy、Numba CUDA、