Communitygithub.com

astropy

Kernbibliothek für Astronomie und Astrophysik in Python. Nutze sie für Workflows, die Astropy-APIs benötigen, darunter Einheiten/Quantitäten, Koordinaten, FITS-I/O, Tabellen, Zeitsysteme, WCS und Kosmologie. Ideal zum Implementieren oder Debuggen astronomischer Datenanalyse mit Astropy.

Was ist astropy?

Das `astropy`-Skill ist eine umfassende Sammlung von Funktionen für astronomische Forschung und Datenanalyse mit der Astropy-Bibliothek. Es deckt zentrale Bereiche ab: physikalische Einheiten und Größen, Himmelskoordinaten und -transformationen, kosmologische Berechnungen, Verarbeitung von FITS-Dateien, tabellarische Datenverwaltung, präzise Zeitmessung und Weltkoordinatensysteme (WCS). Entwickler und Nutzer von KI-Agenten profitieren von der Integration dieser spezialisierten Werkzeuge in Workflows, die astronomische Datenverarbeitung erfordern. Das Skill wird für Claude Code, Cursor und Codex bereitgestellt und bietet detaillierte Referenzdokumentation in Markdown-Dateien. Es unterstützt gängige Arbeitsabläufe wie Koordinatenumrechnungen, Katalogabgleiche und kosmologische Distanzberechnungen. Die Implementierung folgt Best Practices wie der Verwendung von Einheiten, Kontextmanagern für FITS-Dateien und optimierten Array-Operationen. Die aktuelle Version 7.2.0 erfordert Python 3.11+ und kann mit `uv pip install astropy==7.2.0` installiert werden. Das Skill enthält ausführliche Referenzdateien zu jedem Modul und wird regelmäßig an neue Astropy-Versionen angepasst.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/K-Dense-AI/scientific-agent-skills/tree/main/skills/astropy

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Was macht astropy?

Übersicht

Astropy ist das zentrale Python-Paket für Astronomie und bietet wesentliche Funktionalitäten für astronomische Forschung und Datenanalyse. Nutze Astropy für Koordinatentransformationen, Einheiten- und Größenberechnungen, FITS-Dateioperationen, kosmologische Berechnungen, präzise Zeitverwaltung, tabellarische Datenmanipulation und astronomische Bildverarbeitung.

Wann Du Dieses Skill Nutzen Solltest

Verwende Astropy, wenn Aufgaben Folgendes umfassen:

  • Konvertierung zwischen Himmelskoordinatensystemen (ICRS, Galaktisch, FK5, AltAz, usw.)
  • Arbeiten mit physikalischen Einheiten und Größen (Konvertierung von Jy in mJy, Parsec in km, usw.)
  • Lesen, Schreiben oder Manipulieren von FITS-Dateien (Bilder oder Tabellen)
  • Kosmologische Berechnungen (Leuchtkraftdistanz, Lookback-Zeit, Hubble-Parameter)
  • Präzise Zeitverwaltung mit verschiedenen Zeitskalen (UTC, TAI, TT, TDB) und Formaten (JD, MJD, ISO)
  • Tabellenoperationen (Lesen von Katalogen, Kreuzabgleich, Filtern, Verknüpfen)
  • WCS-Transformationen zwischen Pixel- und Weltkoordinaten
  • Astronomische Konstanten und Berechnungen

Schnellstart

import astropy.units as u
from astropy.coordinates import SkyCoord
from astropy.time import Time
from astropy.io import fits
from astropy.table import Table
from astropy.cosmology import Planck18

# Einheiten und Größen
distance = 100 * u.pc
distance_km = distance.to(u.km)

# Koordinaten
coord = SkyCoord(ra=10.5*u.degree, dec=41.2*u.degree, frame='icrs')
coord_galactic = coord.galactic

# Zeit
t = Time('2023-01-15 12:30:00')
jd = t.jd  # Julianisches Datum

# FITS-Dateien
data = fits.getdata('image.fits')
header = fits.getheader('image.fits')

# Tabellen
table = Table.read('catalog.fits')

# Kosmologie
d_L = Planck18.luminosity_distance(z=1.0)

Kernfunktionen

1. Einheiten und Größen (astropy.units)

Verwalte physikalische Größen mit Einheiten, führe Einheitenumrechnungen durch und stelle die dimensionale Konsistenz in Berechnungen sicher.

Wichtige Operationen:

  • Erstelle Größen durch Multiplikation von Werten mit Einheiten
  • Konvertiere zwischen Einheiten mit der Methode .to()
  • Führe Arithmetik mit automatischer Einheitenbehandlung durch
  • Nutze Äquivalenzen für domänenspezifische Konvertierungen (spektral, Doppler, Parallaxe)
  • Arbeite mit logarithmischen Einheiten (Magnituden, Dezibel)

Siehe: references/units_de.md für umfassende Dokumentation zu Einheitensystemen, Äquivalenzen, Leistungsoptimierung und Einheitenarithmetik.

2. Koordinatensysteme (astropy.coordinates)

Stelle Himmelspositionen dar und transformiere zwischen verschiedenen Koordinatensystemen.

Wichtige Operationen:

  • Erstelle Koordinaten mit SkyCoord in jedem System (ICRS, Galaktisch, FK5, AltAz, usw.)
  • Transformiere zwischen Koordinatensystemen
  • Berechne Winkelabstände und Positionswinkel
  • Gleiche Koordinaten mit Katalogen ab
  • Füge Entfernung für 3D-Koordinatenoperationen hinzu
  • Verwalte Eigenbewegungen und Radialgeschwindigkeiten
  • Frage benannte Objekte aus Online-Datenbanken ab

Siehe: references/coordinates_de.md für detaillierte Beschreibungen der Koordinatensysteme, Transformationen, beobachterabhängige Systeme (AltAz), Katalogabgleich und Leistungstipps.

3. Kosmologische Berechnungen (astropy.cosmology)

Führe kosmologische Berechnungen mit Standardmodellen durch.

Wichtige Operationen:

  • Nutze eingebaute Kosmologien (Planck18, WMAP9, usw.)
  • Erstelle benutzerdefinierte kosmologische Modelle
  • Berechne Entfernungen (Leuchtkraft, mitbewegend, Winkeldurchmesser)
  • Berechne Alter und Lookback-Zeiten
  • Bestimme den Hubble-Parameter bei jeder Rotverschiebung
  • Berechne Dichteparameter und Volumina
  • Führe inverse Berechnungen durch (finde z für gegebene Entfernung)

Siehe: references/cosmology_de.md für verfügbare Modelle, Entfernungsberechnungen, Zeitberechnungen, Dichteparameter und Neutrino-Effekte.

4. FITS-Dateihandhabung (astropy.io.fits)

Lies, schreibe und manipuliere FITS-Dateien (Flexible Image Transport System).

Wichtige Operationen:

  • Öffne FITS-Dateien mit Kontextmanagern
  • Greife auf HDUs (Header Data Units) per Index oder Namen zu
  • Lese und modifiziere Header (Schlüsselwörter, Kommentare, History)
  • Arbeite mit Bilddaten (NumPy-Arrays)
  • Verwalte Tabellendaten (binäre und ASCII-Tabellen)
  • Erstelle neue FITS-Dateien (einfach oder mit mehreren Erweiterungen)
  • Nutze Memory-Mapping für große Dateien
  • Greife auf entfernte FITS-Dateien zu (S3, HTTP)

Siehe: references/fits_de.md für umfassende Dateioperationen, Header-Manipulation, Bild- und Tabellenhandhabung, Dateien mit mehreren Erweiterungen und Leistungsaspekte.

5. Tabellenoperationen (astropy.table)

Arbeite mit tabellarischen Daten mit Unterstützung für Einheiten, Metadaten und verschiedene Dateiformate.

Wichtige Operationen:

  • Erstelle Tabellen aus Arrays, Listen oder Wörterbüchern
  • Lese/schreibe Tabellen in mehreren Formaten (FITS, CSV, HDF5, VOTable)
  • Greife auf Spalten und Zeilen zu und ändere sie
  • Sortiere, filtere und indiziere Tabellen
  • Führe datenbankähnliche Operationen durch (Verknüpfen, Gruppieren, Aggregieren)
  • Staple und verknüpfe Tabellen
  • Arbeite mit einheitenbewussten Spalten (QTable)
  • Verwalte fehlende Daten mit Maskierung

Siehe: references/tables_de.md für Tabellenerstellung, I/O-Operationen, Datenmanipulation, Sortieren, Filtern, Verknüpfungen, Gruppieren und Leistungstipps.

6. Zeitverwaltung (astropy.time)

Präzise Zeitdarstellung und Konvertierung zwischen Zeitskalen und Formaten.

Wichtige Operationen:

  • Erstelle Time-Objekte in verschiedenen Formaten (ISO, JD, MJD, Unix, usw.)
  • Konvertiere zwischen Zeitskalen (UTC, TAI, TT, TDB, usw.)
  • Führe Zeitarithmetik mit TimeDelta durch
  • Berechne Sternzeit für Beobachter
  • Berechne Lichtlaufzeitkorrekturen (baryzentrisch, heliozentrisch)
  • Arbeite effizient mit Zeitarrays
  • Verwalte maskierte (fehlende) Zeiten

Siehe: references/time_de.md für Zeitformate, Zeitskalen, Konvertierungen, Arithmetik, Beobachtungsfunktionen und Präzisionshandhabung.

7. Weltkoordinatensystem (astropy.wcs)

Transformiere zwischen Pixelkoordinaten in Bildern und Weltkoordinaten.

Wichtige Operationen:

  • Lese WCS aus FITS-Headern
  • Konvertiere Pixelkoordinaten in Weltkoordinaten (und umgekehrt)
  • Berechne Bild-Footprints
  • Greife auf WCS-Parameter zu (Referenzpixel, Projektion, Skalierung)
  • Erstelle benutzerdefinierte WCS-Objekte

Siehe: references/wcs_and_other_modules_de.md für WCS-Operationen und Transformationen.

Zusätzliche Fähigkeiten

Die Datei references/wcs_and_other_modules_de.md behandelt auch:

NDData und CCDData

Container für n-dimensionale Datensätze mit Metadaten, Unsicherheit, Maskierung und WCS-Informationen.

Modellierung

Framework zum Erstellen und Anpassen mathematischer Modelle an astronomische Daten.

Visualisierung

Werkzeuge für die astronomische Bildanzeige mit geeigneten Streckungen und Skalierungen.

Konstanten

Physikalische und astronomische Konstanten mit korrekten Einheiten (Lichtgeschwindigkeit, Sonnenmasse, Planck-Konstante, usw.).

Faltung

Bildverarbeitungskernel zum Glätten und Filtern.

Statistik

Robuste statistische Funktionen, einschließlich Sigma-Clipping und Ausreißer-Entfernung.

Installation

# Reproduzierbare Installation gegen die aktuelle stabile Version
uv pip install "astropy==7.2.0"

# Empfohlene optionale Abhängigkeiten für Plotten und gängige Workflows
uv pip install "astropy[recommended]==7.2.0"

# Vollständiger Satz optionaler Abhängigkeiten für breite astronomische Workflows
uv pip install "astropy[all]==7.2.0"

Astropy 7.2.0 erfordert Python 3.11+ und hängt von NumPy, PyERFA, PyYAML und packaging ab. Verwende eine isolierte virtuelle Umgebung; installiere Astropy nicht mit erhöhten Rechten.

Beachte, dass die Extras [recommended] und [all] transitive Abhängigkeiten (matplotlib, scipy, usw.) in nicht festgelegten Versionen nach sich ziehen. Für reproduzierbare Produktionsumgebungen friere den gesamten Abhängigkeitsbaum mit einer Lockdatei ein (uv lock in einem Projekt, oder uv pip compile für Requires-Dateien) und überprüfe die aufgelösten Versionen vor der Bereitstellung.

Gängige Workflows

Koordinaten zwischen Systemen konvertieren

from astropy.coordinates import SkyCoord
import astropy.units as u

# Koordinate erstellen
c = SkyCoord(ra='05h23m34.5s', dec='-69d45m22s', frame='icrs')

# In galaktisch transformieren
c_gal = c.galactic
print(f"l={c_gal.l.deg}, b={c_gal.b.deg}")

# In Höhe-Azimut transformieren (erfordert Zeit und Ort)
from astropy.time import Time
from astropy.coordinates import EarthLocation, AltAz

observing_time = Time('2023-06-15 23:00:00')
observing_location = EarthLocation(lat=40*u.deg, lon=-120*u.deg)
aa_frame = AltAz(obstime=observing_time, location=observing_location)
c_altaz = c.transform_to(aa_frame)
print(f"Höhe={c_altaz.alt.deg}, Az={c_altaz.az.deg}")

FITS-Dateien lesen und analysieren

from astropy.io import fits
import numpy as np

# FITS-Datei öffnen
with fits.open('observation.fits') as hdul:
    # Struktur anzeigen
    hdul.info()

    # Bilddaten und Header abrufen
    data = hdul[1].data
    header = hdul[1].header

    # Auf Header-Werte zugreifen
    exptime = header['EXPTIME']
    filter_name = header['FILTER']

    # Daten analysieren
    mean = np.mean(data)
    median = np.median(data)
    print(f"Mittelwert: {mean}, Median: {median}")

Kosmologische Distanzberechnungen

from astropy.cosmology import Planck18
import astropy.units as u
import numpy as np

# Distanzen bei z=1.5 berechnen
z = 1.5
d_L = Planck18.luminosity_distance(z)
d_A = Planck18.angular_diameter_distance(z)

print(f"Leuchtkraftdistanz: {d_L}")
print(f"Winkeldurchmesserdistanz: {d_A}")

# Alter des Universums bei dieser Rotverschiebung
age = Planck18.age(z)
print(f"Alter bei z={z}: {age.to(u.Gyr)}")

# Lookback-Zeit
t_lookback = Planck18.lookback_time(z)
print(f"Lookback-Zeit: {t_lookback.to(u.Gyr)}")

Kataloge kreuzabgleichen

from astropy.table import Table
from astropy.coordinates import SkyCoord, match_coordinates_sky
import astropy.units as u

# Kataloge lesen
cat1 = Table.read('catalog1.fits')
cat2 = Table.read('catalog2.fits')

# Koordinatenobjekte erstellen
coords1 = SkyCoord(ra=cat1['RA']*u.degree, dec=cat1['DEC']*u.degree)
coords2 = SkyCoord(ra=cat2['RA']*u.degree, dec=cat2['DEC']*u.degree)

# Übereinstimmungen finden
idx, sep, _ = coords1.match_to_catalog_sky(coords2)

# Nach Abstandsschwelle filtern
max_sep = 1 * u.arcsec
matches = sep < max_sep

# Abgeglichene Kataloge erstellen
cat1_matched = cat1[matches]
cat2_matched = cat2[idx[matches]]
print(f"Gefundene Übereinstimmungen: {len(cat1_matched)}")

Best Practices

  1. Verwende immer Einheiten: Füge Einheiten an Größen an, um Fehler zu vermeiden und dimensionale Konsistenz sicherzustellen
  2. Nutze Kontextmanager für FITS-Dateien: Stellt ordnungsgemäßes Schließen der Dateien sicher
  3. Bevorzuge Arrays gegenüber Schleifen: Verarbeite mehrere Koordinaten/Zeiten als Arrays für bessere Leistung
  4. Überprüfe Koordinatensysteme: Verifiziere das System vor Transformationen
  5. Verwende die passende Kosmologie: Wähle das richtige kosmologische Modell für deine Analyse
  6. Behandle fehlende Daten: Nutze maskierte Spalten für Tabellen mit fehlenden Werten
  7. Gib Zeitskalen an: Sei explizit bezüglich Zeitskalen (UTC, TT, TDB) für präzise Zeitmessung
  8. Nutze QTable für einheitenbewusste Tabellen: Wenn Tabellenspalten Einheiten haben
  9. Überprüfe WCS-Gültigkeit: Verifiziere WCS vor der Verwendung von Transformationen
  10. Caching häufig verwendeter Werte: Teure Berechnungen (z. B. kosmologische Distanzen) können gecacht werden
  11. Sei explizit bei Netzwerkzugriffen: SkyCoord.from_name(), EarthLocation.of_site(refresh_cache=True), EarthLocation.of_address(), download_file(), entfernte FITS-Lesevorgänge und einige IERS-Zeit-/Koordinatentransformationen können externe Dienste kontaktieren oder lokale Caches aktualisieren. Vermeide das Senden sensibler Zielnamen, Adressen, URLs oder proprietärer Dateispeicherorte an Drittanbieterdienste. Frage beim Arbeiten mit potenziell sensiblen Zielen oder Datenorten den Benutzer, bevor du diese Netzwerkaufrufe tätigst.
  12. Friere für Reproduzierbarkeit ein: Verwende festgelegte Versionen wie astropy==7.2.0 für gemeinsam genutzte Umgebungen; aktualisiere Pins absichtlich nach Überprüfung der Release-Notes.

Hinweise zur aktuellen Version

  • Aktuelle stabile Version recherchiert: Astropy 7.2.0 (veröffentlicht am 2025-11-25; als aktuell bestätigt am 2026-06-10)
  • Python-Anforderung: 3.11+
  • Astropy 8.0 befindet sich im Release-Candidate-Stadium (8.0.0rc1, 2026-05-26). Wichtige Änderungen, die zu erwarten sind:
    • Die veralteten astropy.cosmology-Untermodul-Shims (astropy.cosmology.flrw, .core, .funcs, .connect, .parameter) werden entfernt – importiere alles direkt aus astropy.cosmology (z. B. from astropy.cosmology import FlatLambdaCDM, z_at_value)
    • Die astropy.constants-Standards ändern sich von CODATA 2018 auf CODATA 2022; friere eine Konstantenversion über die astropyconst-Wissenschaftszustände ein, wenn Reproduzierbarkeit wichtig ist
    • NumPy 2.0 wird die mindestens unterstützte Version; der 7.2.x LTS-Zweig behält NumPy 1.x-Unterstützung für sechs Monate nach der 8.0-Veröffentlichung
    • Der integrierte Test-Runner (astropy.test(), TestRunner) wird formal als veraltet markiert – rufe pytest direkt auf
  • Aktuelle 7.x-Veraltungen, die in neuem Code vermieden werden sollten: Übergabe einer Tabellenindex-ID als erstes .loc-Element (t.loc["b", 2]) – verwende stattdessen t.loc.with_index("b")[2] (Entfernung für 9.0 geplant); astropy.utils.isiterable() – verwende numpy.iterable()
  • Aktuelle 7.0-Entfernungen: ältere veraltete FITS-APIs wie (Bin)Table.update, _ExtensionHDU, _NonstandardExtHDU und das tile_size-Argument für CompImageHDU; CompImageHeader ist veraltet. Vermeide diese Legacy-Muster in neuen Beispielen.
  • Die empfohlenen optionalen Extras sind recommended für gängige Plotting-/wissenschaftliche Abhängigkeiten und all nur, wenn ein breiter Satz optionaler Funktionen benötigt wird.

Dokumentation und Ressourcen

Referenzdateien

Für detaillierte Informationen zu bestimmten Modulen:

  • references/units_de.md - Einheiten, Größen, Konvertierungen und Äquivalenzen
  • references/coordinates_de.md - Koordinatensysteme, Transformationen und Katalogabgleich
  • references/cosmology_de.md - Kosmologische Modelle und Berechnungen
  • references/fits_de.md - FITS-Dateioperationen und -manipulation
  • references/tables_de.md - Tabellenerstellung, I/O und Operationen
  • references/time_de.md - Zeitformate, Zeitskalen und Berechnungen
  • references/wcs_and_other_modules_de.md - WCS, NDData, Modellierung, Visualisierung, Konstanten und Werkzeuge

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

adaptyv

How to use the Adaptyv Bio Foundry API and Python SDK for protein experiment design, submission, and results retrieval. Use this skill whenever the user mentions Adaptyv, Foundry API, protein binding assays, protein screening experiments, BLI/SPR assays, thermostability assays, or wants to submit protein sequences for experimental characterization. Also trigger when code imports `adaptyv`, `adaptyv_sdk`, or `FoundryClient`, or references `foundry-api-public.adaptyvbio.com`.

aeon

This skill should be used for time series machine learning tasks including classification, regression, clustering, forecasting, anomaly detection, segmentation, and similarity search. Use when working with temporal data, sequential patterns, or time-indexed observations requiring specialized algorithms beyond standard ML approaches. Particularly suited for univariate and multivariate time series analysis with scikit-learn compatible APIs.

alphagenome

Look up precomputed AlphaGenome Atlas effects for any GRCh38 single-nucleotide variant (AVI score with Phred and 18 SHAP feature attributions, plus raw and quantile scores for RNA-seq, DNase, ATAC, ChIP-TF, ChIP-histone, CAGE, PRO-cap, splicing, polyadenylation and contact-map tracks), score variants or scan windows on demand with the AlphaGenome model for human and mouse (variant scoring, in silico mutagenesis, REF-versus-ALT track prediction), and build Atlas website deep links. Use when the user mentions AlphaGenome, AlphaGenome Atlas, AVI or AlphaGenome Variant Impact, DeepMind variant effect prediction, or wants to prioritise or mechanistically interpret non-coding, regulatory, splicing, enhancer, promoter, or chromatin-accessibility effects of SNVs from a VCF, credible set, or region. Research use only; not a clinical tool.

analytical-method-validation

Plan, execute, and document validation, verification, and transfer of analytical procedures under the governing framework - ICH Q2(R2) and Q14, USP <1220>/<1225>/<1226>, ICH M10 bioanalytical, CLSI EP, or ISO/IEC 17025. Use for HPLC, LC-MS/MS, GC, CE, ICP-MS, dissolution, qNMR, qPCR, NIR, and ligand binding or cell-based assays whenever the question is whether a procedure is fit for its intended purpose. Triggers include

anndata

Data structure for annotated matrices in single-cell analysis. Use when working with .h5ad files or integrating with the scverse ecosystem. This is the data format skill—for analysis workflows use scanpy; for probabilistic models use scvi-tools; for population-scale queries use cellxgene-census.

arbor

Autonomously improve a real artifact (code, training recipe, agent harness, data pipeline, prompt) against an objective and an evaluator, using Hypothesis Tree Refinement (HTR) from the Arbor paper. Use this whenever someone wants to iteratively optimize something over many experiments without overfitting — e.g.

arboreto

Infer gene regulatory networks (GRNs) from gene expression data using scalable algorithms (GRNBoost2, GENIE3). Use when analyzing transcriptomics data (bulk RNA-seq, single-cell RNA-seq) to identify transcription factor-target gene relationships and regulatory interactions. Supports distributed computation for large-scale datasets.

autoskill

Observe the user

benchling-integration

Benchling Python SDK and REST API integration for registry entities, inventory, ELN entries, workflows, Benchling Apps, and Data Warehouse queries. Use when automating lab data with benchling-sdk or the v2 API.

bgpt-paper-search

Search scientific papers and retrieve structured experimental data extracted from full-text studies via the BGPT MCP server. Returns 25+ fields per paper including methods, results, sample sizes, quality scores, and conclusions. Use for literature reviews, evidence synthesis, and finding experimental details not available in abstracts alone.

bids

>

biopython

Comprehensive molecular biology toolkit. Use for sequence manipulation, file parsing (FASTA/GenBank/PDB), phylogenetics, and programmatic NCBI/PubMed access (Bio.Entrez). Best for batch processing, custom bioinformatics pipelines, BLAST automation. For quick lookups use gget; for multi-service integration use bioservices.

bioservices

Unified Python interface to 40+ bioinformatics services. Use when querying multiple databases (UniProt, KEGG, ChEMBL, Reactome) in a single workflow with consistent API. Best for cross-database analysis, ID mapping across services. For quick single-database lookups use gget; for sequence/file manipulation use biopython.

bulk-rnaseq

End-to-end bulk RNA-seq orchestrator — takes raw FASTQ reads through QC and trimming (FastQC, fastp/Trim Galore), alignment and quantification (STAR, Salmon, featureCounts), assembles a gene-level counts matrix, then hands off to differential expression (pydeseq2), pathway/GSEA enrichment (pathway-enrichment), and publication figures (scientific-visualization). Use whenever the user has bulk RNA-seq reads or quant output and wants a complete, reproducible differential-expression workflow — e.g.

cellxgene-census

Query the CZ CELLxGENE Census programmatically for versioned public single-cell and spatial transcriptomics data. Use when you need population-scale cell metadata, gene expression slices, Census summary counts, source H5AD URIs/downloads, embeddings, spatial Census data, or reference atlas comparisons across organisms, tissues, diseases, assays, and cell types. For analyzing your own local single-cell data use scanpy, anndata, or scvi-tools.

cirq

Google quantum computing framework. Use when targeting Google Quantum AI hardware, designing noise-aware circuits, or running quantum characterization experiments. Best for Google hardware, noise modeling, and low-level circuit design. For IBM hardware use qiskit; for quantum ML with autodiff use pennylane; for physics simulations use qutip.

citation-management

Comprehensive citation management for academic research. Search OpenAlex, PubMed, and Google Scholar for papers, extract accurate metadata, validate citations, and generate properly formatted BibTeX entries. This skill should be used when you need to find papers, verify citation information, convert DOIs to BibTeX, or ensure reference accuracy in scientific writing.

clinical-decision-support

Prepare and validate research-only clinical decision-support evaluation, evidence-profile, cohort, survival, biomarker/model, privacy, and governance artifacts. Use for aggregate or synthetic research documentation and traceability—not patient care or live clinical operation.

clinical-reports

Create safety-bounded draft structures and run local deterministic checks for clinical case, diagnostic, trial, safety, and aggregate research reports. Use only with synthetic, de-identified, or aggregate inputs and verified source-fact manifests; every output requires qualified review.

cobrapy

Constraint-based metabolic modeling (COBRA). FBA, FVA, gene knockouts, flux sampling, SBML models, for systems biology and metabolic engineering analysis.

Verwandte Skills