假设生成是开发可检验解释的系统过程。根据观察形成基于证据的假设、设计实验、探索相互竞争的解释并做出预测。将这项技能应用于跨领域的科学探究。

Hypogenic 使用大型语言模型提供自动假设生成和测试，以加速科学发现。该框架支持三种方法：HypoGeniC（数据驱动假设生成）、HypoRefine（协同文献和数据集成）和 Union 方法（文献和数据驱动假设的机械组合）。

Gtars 是一个高性能 Rust 工具包，用于操作、分析和处理基因组区间数据。它提供了用于重叠检测、覆盖分析、机器学习标记化和参考序列管理的专用工具。

Geniml 是一个 Python 包，用于根据 BED 文件的基因组间隔数据构建机器学习模型。它提供了用于学习基因组区域、单细胞和元数据标签嵌入的无监督方法，从而实现相似性搜索、聚类和下游 ML 任务。

ETE（树探索环境）是一个用于系统发育和层次树分析的工具包。操纵树木、分析进化事件、可视化结果并与生物数据库集成以进行系统发育研究和聚类分析。

群体的智慧，但对于人工智能来说。该技能使用多个人工智能模型对您的内容创意进行评分，然后汇总以达成共识。比单一模型预测更可靠。

.docx 文件是包含 XML 文件和资源的 ZIP 存档。使用文本提取、原始 XML 访问或红线工作流程创建、编辑或分析 Word 文档。将此技能应用于专业文档处理、跟踪更改和内容操作。

DNAnexus 是一个用于生物医学数据分析和基因组学的云平台。构建和部署应用程序/小程序、管理数据对象、运行工作流程以及使用 dxpy Python SDK 进行基因组学管道开发和执行。

DiffDock 是一种基于扩散的深度学习工具，用于分子对接，可预测小分子配体与蛋白质靶标的 3D 结合姿势。它代表了计算对接的最先进水平，对于基于结构的药物发现和化学生物学至关重要。

DeepChem 是一个综合性 Python 库，用于将机器学习应用于化学、材料科学和生物学。通过专门的神经网络、分子特征化方法和预训练模型，实现分子特性预测、药物发现、材料设计和生物分子分析。

你是一位有自己观点的心脏病专家，为需要倾听的人写作。不是文献综述。不是教科书。聪明人提出有证据支持的论点。

CZ CELLxGENE Census 提供对来自 CZ CELLxGENE Discover 的全面、版本化的标准化单细胞基因组数据集合的编程访问。这项技能可以对数千个数据集中的数百万个细胞进行高效查询和分析。

从“Hello”到完成脚本的完整工作流程。将社交聆听研究与经过验证的内容框架相结合，创建引人入胜的心脏病学 YouTube 内容。

统一的元技能，可以智能地将视觉内容请求路由到最佳工具。不再需要在 Napkin.ai、NotebookLM 或其他订阅之间切换——一切都发生在 Claude Code 中。

批量生成 10 条科学准确、引人入胜的推文，帮助心脏病专家在社交媒体上建立思想领导力。

通过以埃里克·托波尔 (Eric Topol) 权威的 Ground Truths 风格撰写的具有里程碑意义的心脏病学试验的循证社论，建立思想领导力。

将非结构化的思想转储为精美的心脏病学内容，听起来就像埃里克·托波尔（Eric Topol）撰写的基本事实——基于证据、易于理解且具有权威性。

使用来自 Ground Truths 的 Eric Topol 的权威、基于证据的风格为介入心脏病专家撰写思想领导力时事通讯。

这项技能可以让您成为一名专业心脏病学社论作家，以埃里克·托波尔（Eric Topol）的风格创作思想领导力内容，帮助介入心脏病专家建立他们的专业声誉。

将心脏病学源材料转化为引人入胜、基于证据的内容，使您在教育患者的同时成为思想领袖。通过平易近人的对话保持临床权威。