name: scientific-skills 描述: 综合性科学研究工具包，包含139个专门技能，覆盖生物学、化学、医学、数据科学和计算研究。将Claude转变为AI研究助手，提供科学数据库访问、分析工具和领域特定工作流程。许可证: MIT 版本: 2.17.0 元数据: 技能作者: K-Dense Inc. 原始仓库: https://github.com/K-Dense-AI/claude-scientific-skills 类别: - 科学数据库 - 生物信息学 - 化学信息学 - 机器学习 - 数据分析 - 科学写作技能数量: 139 工具:

读取
写入
编辑
Bash
网络搜索
网络获取
任务已验证: false 最后验证时间: 2026-02-19T05:29:09.098Z

Claude 科学技能

概述

一个综合性集合，包含 139 个即用型科学技能，将 Claude 转变为能够执行跨生物学、化学、医学及相关领域复杂多步科学工作流的 AI 研究助手。

使用场景

在以下情况下调用此技能：

处理科学研究任务
需要访问专业数据库（如 PubMed、ChEMBL、UniProt 等）
进行生物信息学或化学信息学分析
创建文献综述或科学文档
分析单细胞 RNA-seq、蛋白质组学或多组学数据
药物发现和分子分析工作流
对科学数据进行统计分析和机器学习

快速开始

// 调用主技能目录
Skill({ skill: 'scientific-skills' });

// 或直接调用特定子技能
Skill({ skill: 'scientific-skills/rdkit' }); // 化学信息学
Skill({ skill: 'scientific-skills/scanpy' }); // 单细胞分析
Skill({ skill: 'scientific-skills/biopython' }); // 生物信息学
Skill({ skill: 'scientific-skills/literature-review' }); // 文献综述

技能类别

科学数据库 (28+)

技能	描述
`pubchem`	化学化合物数据库
`chembl-database`	用于药物发现的生物活性数据库
`uniprot-database`	蛋白质序列和功能数据库
`pdb`	蛋白质数据银行结构
`drugbank-database`	药物和药物靶点信息
`kegg`	通路和基因组数据库
`clinvar-database`	临床变异解释
`cosmic-database`	癌症突变数据库
`ensembl-database`	基因组浏览器和注释
`geo-database`	基因表达数据
`gwas-database`	全基因组关联研究
`reactome-database`	生物通路
`string-database`	蛋白质-蛋白质相互作用
`alphafold-database`	蛋白质结构预测
`biorxiv-database`	生物学预印本服务器
`clinicaltrials-database`	临床试验注册中心
`ena-database`	欧洲核苷酸存档
`fda-database`	FDA 药物批准和标签
`gene-database`	来自 NCBI 的基因信息
`zinc-database`	商业可用化合物
`brenda-database`	酶数据库
`clinpgx-database`	药物基因组学注释
`uspto-database`	专利数据库

Python 分析库 (55+)

技能	描述
`rdkit`	化学信息学工具包
`scanpy`	单细胞 RNA-seq 分析
`anndata`	注释数据矩阵
`biopython`	计算生物学工具
`pytorch-lightning`	深度学习框架
`scikit-learn`	机器学习库
`transformers`	NLP 和深度学习模型
`pandas` / `polars` / `vaex`	数据操作
`matplotlib` / `seaborn` / `plotly`	可视化
`deepchem`	化学深度学习
`esm`	进化尺度建模
`datamol`	分子数据处理
`pymatgen`	材料科学
`qiskit`	量子计算
`pymoo`	多目标优化
`statsmodels`	统计建模
`sympy`	符号数学
`networkx`	网络分析
`geopandas`	地理空间分析
`shap`	模型可解释性

生物信息学与基因组学

技能	描述
`gget`	基因和转录本信息
`pysam`	SAM/BAM 文件操作
`deeptools`	NGS 数据分析
`pydeseq2`	差异表达
`scvi-tools`	单细胞深度学习
`etetoolkit`	系统发育分析
`scikit-bio`	生物信息学算法
`bioservices`	生物学网络服务
`cellxgene-census`	细胞图谱探索

化学信息学与药物发现

技能	描述
`rdkit`	分子操作
`datamol`	分子数据处理
`molfeat`	分子特征化
`diffdock`	分子对接
`torchdrug`	药物发现 ML
`pytdc`	治疗数据共享
`cobrapy`	代谢建模

科学交流

技能	描述
`literature-review`	系统文献综述
`scientific-writing`	学术写作协助
`scientific-schematics`	AI 生成图
`scientific-slides`	演示生成
`hypothesis-generation`	假设开发
`venue-templates`	期刊特定格式化
`citation-management`	参考文献管理

临床与医学

技能	描述
`clinical-decision-support`	临床推理
`clinical-reports`	医学报告生成
`treatment-plans`	治疗规划
`pyhealth`	医疗保健 ML
`pydicom`	医学影像

实验室与集成

技能	描述
`benchling-integration`	实验室信息平台
`dnanexus-integration`	基因组学云平台
`pylabrobot`	实验室自动化
`flowio`	流式细胞术数据
`omero-integration`	生物成像平台

核心工作流

文献综述工作流

# 7阶段系统文献综述
# 1. 使用 PICO 框架规划
# 2. 多数据库搜索执行
# 3. 使用 PRISMA 流程图筛选
# 4. 数据提取和质量评估
# 5. 主题合成
# 6. 引用验证
# 7. PDF 生成

药物发现工作流

# 使用 RDKit + ChEMBL + datamol
from rdkit import Chem
from rdkit.Chem import Descriptors, AllChem

# 1. 查询 ChEMBL 获取生物活性数据
# 2. 计算分子性质
# 3. 通过药物相似性（Lipinski）过滤
# 4. 相似性筛选
# 5. 子结构分析

单细胞分析工作流

# 使用 scanpy + anndata
import scanpy as sc

# 1. 加载和质量控制数据
# 2. 归一化和特征选择
# 3. 降维（PCA、UMAP）
# 4. 聚类（Leiden 算法）
# 5. 标记基因识别
# 6. 细胞类型注释

假设生成工作流

# 8步系统过程
# 1. 理解现象
# 2. 文献搜索
# 3. 合成证据
# 4. 生成竞争假设
# 5. 评估质量
# 6. 设计实验
# 7. 制定预测
# 8. 生成报告

子技能结构

每个子技能遵循一致的结构：

scientific-skills/
├── SKILL.md                    # 此文件（目录/索引）
├── skills/                     # 单个技能目录
│   ├── rdkit/
│   │   ├── SKILL.md           # 技能文档
│   │   ├── references/        # API 引用、模式
│   │   └── scripts/           # 示例脚本
│   ├── scanpy/
│   ├── biopython/
│   └── ... (共139个)

调用子技能

直接调用

// 调用特定技能
Skill({ skill: 'scientific-skills/rdkit' });
Skill({ skill: 'scientific-skills/scanpy' });

链式工作流

// 多技能工作流
Skill({ skill: 'scientific-skills/literature-review' });
Skill({ skill: 'scientific-skills/hypothesis-generation' });
Skill({ skill: 'scientific-skills/scientific-schematics' });

先决条件

Python 3.9+（推荐 3.12+）
uv 包管理器（推荐）
平台：macOS、Linux 或带有 WSL2 的 Windows

最佳实践

从正确技能开始：使用上述类别表找到合适技能
链式技能处理复杂工作流：文献综述 → 假设 → 实验设计
使用数据库技能进行数据访问：在分析前查询数据库
可视化结果：使用 matplotlib/seaborn/plotly 技能生成出版质量图
记录发现：使用科学写作技能进行正式文档记录

与代理框架集成

示例代理生成

Task({
  task_id: 'task-1',
  subagent_type: 'python-pro',
  description: '使用 RDKit 分析分子数据集',
  prompt: `您是具有科学研究专业知识的 PYTHON-PRO 代理。

## 任务
分析分子数据集的药物相似性性质。

## 要调用的技能
1. Skill({ skill: "scientific-skills/rdkit" })
2. Skill({ skill: "scientific-skills/datamol" })

## 工作流
1. 加载分子数据
2. 计算描述符
3. 应用 Lipinski 过滤器
4. 生成可视化
5. 报告发现
`,
});

代理	科学技能
`data-engineer`	polars、dask、vaex、zarr-python
`python-pro`	所有基于 Python 的技能
`database-architect`	用于模式设计的数据库技能
`technical-writer`	literature-review、scientific-writing

科学技能工具包Skill scientific-skills