Communitygithub.com

NCATS ARAX

Interroge l'API de production NCATS Translator ARAX pour obtenir des relations de graphe de connaissances biomédicales bornées, typées, avec provenance explicite, sur un saut ou deux sauts avec extrémités fixées.

Qu'est-ce que NCATS ARAX ?

Cette compétence fournit une interface de ligne de commande vers l'API ARAX de NCATS Translator, permettant aux développeurs et aux utilisateurs d'agents IA d'effectuer des requêtes précises et contraintes sur le graphe de connaissances biomédicales RTX-KG2. Elle supporte les modes "one-hop" (un saut) et "two-hop" (deux sauts avec extrémités fixées), avec normalisation d'entités, fédération explicite de fournisseurs sélectionnés, et inspection détaillée de la provenance et des résultats. L'utilisateur contrôle explicitement les CURIEs, les types Biolink, les prédicats, les qualificateurs et l'ordre d'expansion. Le client vérifie la disponibilité du service, normalise les entités séparément avant les requêtes, et sauvegarde les échanges TRAPI complets. Les résultats sont traités comme des candidats à vérifier, jamais comme des recommandations cliniques validées. Les fonctionnalités d'inférence, de classement, de recherche de chemin libre ou de guidage clinique sont explicitement exclues.

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/K-Dense-AI/scientific-agent-skills/tree/main/skills/ncats-arax

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Que fait NCATS ARAX ?

Utilisez ARAX comme service de consultation de graphe de connaissances contraint. Soumettez des CURIEs revues et des types Biolink explicites, préservez l'échange TRAPI exact, inspectez les liaisons d'arêtes de requête et la provenance, et traitez chaque chemin retourné comme un candidat pour une vérification ultérieure.

Lisez query-contract.md avant de construire une requête. Lisez output-schema.md lors de l'interprétation des artefacts sauvegardés, des avertissements, de la provenance ou des résultats partiels.

Limites de sécurité

  • Utilisez uniquement des questions de recherche publiques et non sensibles. Les installations de statut ARAX peuvent exposer les métadonnées de requête et d'appelant même lorsque store=false est demandé.
  • Ne soumettez pas d'informations patient, de questions de recherche confidentielles, de programmes de composés non publiés ou d'hypothèses de cibles propriétaires.
  • Ne présentez pas un chemin retourné comme un mécanisme validé ou une recommandation clinique.
  • Signalez un zéro comme "non retourné sous ces contraintes", jamais comme une preuve qu'aucune relation n'existe.
  • Décrivez la position comme un ordre de réponse non noté, jamais comme un classement.
  • Vérifiez les candidats importants séparément avec la littérature et les bases de données faisant autorité.

Flux de travail

  1. Normalisez le texte libre séparément, puis examinez et rapportez le CURIE et la catégorie proposés.
  2. Choisissez une requête typée à un saut ou une requête exactement à deux sauts avec les deux extrémités fixées.
  3. Utilisez la recherche RTX-KG2 par défaut sauf si l'utilisateur nomme explicitement deux à cinq fournisseurs.
  4. Reconnaissez que la requête biomédicale est publique et choisissez un répertoire de sortie nouveau ou vide.
  5. Exécutez le client une fois. Ne modifiez pas silencieusement la sélection de fournisseur ou l'ordre d'expansion après un échec ou un résultat vide.
  6. Inspectez summary.json pour les liaisons et la provenance bornées et response.json pour la charge utile TRAPI exacte.
  7. Vérifiez les chemins scientifiquement importants en dehors d'ARAX.

Pré-vérification

Vérifiez l'OpenAPI de production sans effectuer de requête biomédicale :

python skills/ncats-arax/scripts/arax_client.py preflight

Le client vérifie que le service s'identifie comme ARAX, expose /query et rapporte une version TRAPI prise en charge. Un point de terminaison non production ou une série TRAPI non testée nécessite une redéfinition explicite ; aucune redéfinition ne modifie les formes ou opérations de requête fixes.

Normaliser une entité

La normalisation est réservée à la révision et ne déclenche jamais de requête de graphe :

python skills/ncats-arax/scripts/arax_client.py normalize "primary myelofibrosis" \
  --expected-category biolink:Disease \
  --max-synonyms 10 \
  --acknowledge-public-query \
  --output-dir outputs/normalize-myelofibrosis

Révisez l'identifiant canonique, le nom, la catégorie et l'aperçu des synonymes avant d'utiliser un CURIE. Rapportez tous les CURIEs et catégories indépendamment du résultat de la requête. Un avertissement de catégorie ou un résultat zéro est une raison de curer l'identifiant, pas d'enchaîner automatiquement vers /query.

Recherche à un saut

Figez au moins une extrémité et typez les deux nœuds :

python skills/ncats-arax/scripts/arax_client.py one-hop \
  --subject-id CHEBI:31690 \
  --subject-category biolink:SmallMolecule \
  --predicate biolink:affects \
  --object-id NCBIGene:25 \
  --object-category biolink:Gene \
  --qualifier biolink:object_aspect_qualifier=activity_or_abundance \
  --qualifier biolink:object_direction_qualifier=decreased \
  --acknowledge-public-query \
  --output-dir outputs/imatinib-abl1

Le mode de recherche est le mode par défaut et fixe l'expansion à infores:rtx-kg2. Par défaut, il produit 20 résultats. Utilisez --result-limit N pour demander 1 à 50 résultats ; 50 est le maximum absolu dans les deux modes.

Recherche à deux sauts avec extrémités fixées

Utilisez exactement un nœud intermédiaire typé et non fixé :

python skills/ncats-arax/scripts/arax_client.py two-hop \
  --subject-id CHEBI:66901 \
  --subject-category biolink:SmallMolecule \
  --predicate-1 biolink:affects \
  --intermediate-category biolink:Gene \
  --predicate-2 biolink:associated_with \
  --object-id MONDO:0009061 \
  --object-category biolink:Disease \
  --qualifier-1 biolink:object_aspect_qualifier=activity_or_abundance \
  --qualifier-1 biolink:object_direction_qualifier=increased \
  --expand-order right-first \
  --acknowledge-public-query \
  --output-dir outputs/ivacaftor-cystic-fibrosis

L'expansion droite-d'abord est le mode par défaut. Si un résultat vide mérite une autre tentative, exécutez une nouvelle requête explicitement avec --expand-order left-first et gardez les exécutions séparées.

Fédération avec fournisseur sélectionné

La fédération est explicite et accepte deux à cinq fournisseurs nommés :

python skills/ncats-arax/scripts/arax_client.py one-hop \
  --subject-id CHEBI:31690 \
  --subject-category biolink:SmallMolecule \
  --predicate biolink:affects \
  --object-id NCBIGene:25 \
  --object-category biolink:Gene \
  --mode federated \
  --kp infores:rtx-kg2 \
  --kp infores:molepro \
  --acknowledge-public-query \
  --output-dir outputs/federated-imatinib-abl1

Le mode fédéré utilise par défaut le maximum absolu de 50 résultats. Les erreurs de fournisseur peuvent coexister avec des résultats utiles ; une telle exécution se termine avec le code 7 après avoir conservé ses artefacts et est marquée comme partielle.

Inspecter la provenance sauvegardée

Reconstruisez un résumé borné sans accès réseau :

python skills/ncats-arax/scripts/arax_client.py summarize \
  --request outputs/ivacaftor-cystic-fibrosis/request.json \
  --response outputs/ivacaftor-cystic-fibrosis/response.json \
  --format text

L'inspecteur n'accepte que les mêmes formes de requête contraintes et opérations fixes que celles générées par les commandes en direct. Utilisez --format json pour la vue normalisée sur la sortie standard.

Interpréter les résultats

  • Suivez les liaisons d'arêtes de requête de chaque analyse ; ne résumez pas chaque arête du graphe de connaissances.
  • Préservez les valeurs physiques de sujet, prédicat, objet et qualificateur d'arête retournées par ARAX. Les prédicats ou aspects de qualificateur retournés peuvent être plus spécifiques que la contrainte de requête.
  • Inspectez tous les objets source, y compris les champs URL de source primaire, agrégateur, données de support, ressource amont et enregistrement source.
  • Traitez publication_availability: not_returned comme des métadonnées manquantes, pas comme une preuve qu'aucune publication n'existe.
  • Traitez les références de graphe auxiliaire manquantes et les échecs de fournisseur comme des avertissements explicites.
  • Consultez la réponse brute chaque fois que le résumé borné omet des détails ou que la réponse du service est partielle, inhabituelle ou scientifiquement surprenante.

Exclusions délibérées

Le client n'a pas de surface de requête brute, flux de travail, opération, superposition, classement, inférence, prédiction de lien, Pathfinder, ARS, lot, tous fournisseurs, trois sauts, cache, démon, SDK, MCP ou langage naturel vers TRAPI. Ne contournez pas ces limites avec des appels HTTP directs sous cette compétence.

Références officielles

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.

astropy

Core Python library for astronomy and astrophysics workflows that need Astropy APIs, including units/quantities, coordinates, FITS I/O, tables, time systems, WCS, and cosmology. Use when implementing or debugging astronomical data analysis code with Astropy.

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.

Skills associés