Communitygithub.com

pylabrobot

Développez et révisez des ressources d'automatisation de laboratoire PyLabRobot, des plans de manipulation de liquides, des simulations hors ligne et des intégrations d'appareils pris en charge. Utilisez-le pour les protocoles PyLabRobot ou les questions sur l'API ; gardez l'exécution physique derrière une porte de sécurité opérateur explicite.

Qu'est-ce que pylabrobot ?

Cette compétence fournit un environnement complet pour travailler avec PyLabRobot, un framework d'automatisation de laboratoire agnostique en termes de matériel. Elle permet de développer et de réviser des ressources, des plans de manipulation de liquides, des simulations hors ligne et des intégrations d'appareils. La compétence impose une frontière matérielle stricte : aucune connexion ou commande d'équipement physique n'est possible automatiquement. Toute exécution en direct nécessite une validation humaine explicite. La compétence s'appuie sur des scripts hors ligne (validation de manifeste, vérification de géométrie, planification de transferts, génération de simulation) et utilise le backend logiciel Chatterbox pour des tests reproductibles. Elle vérifie la version stable 0.2.1 de PyLabRobot et ses dépendances, et fournit une installation reproductible via pip. Elle inclut également des références vers la documentation officielle, les ressources, les backends matériels et les équipements analytiques, garantissant que tout code généré évite les API obsolètes. Enfin, elle intègre des consignes de citation pour les publications scientifiques utilisant cette compétence.

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

Demander à votre IA préférée

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

Documentation

Que fait pylabrobot ?

Utilisez les frontends agnostiques de PyLabRobot, l'arbre de ressources, les trackers et les backends spécifiques aux appareils pour développer l'automatisation de laboratoire. Par défaut, privilégiez la validation de manifeste locale, la tenue de registres et le backend logiciel Chatterbox.

Instantané vérifié

  • Stable sur PyPI : PyLabRobot==0.2.1, publié le 2026-03-23.
  • Prérequis en amont : Python >=3.9. Cette compétence utilise Python 3.11 pour ses tests de fumée reproductibles.
  • La documentation /stable/ s'identifie comme étant la version 0.2.1. Les versions /dev/ et la branche main du dépôt décrivent un travail non publié et ne doivent pas être considérées comme disponibles dans la version 0.2.1.
  • Les backends stables de manipulation de liquides incluent STARBackend, VantageBackend, EVOBackend, OpentronsOT2Backend et le hors ligne LiquidHandlerChatterboxBackend.
  • La page des Releases GitHub de PyLabRobot ne contient aucune entrée de version logicielle 0.2.x ; utilisez l'historique PyPI, le tag v0.2.1 et le changelog comme preuve de version.

Frontière matérielle non négociable

Ne vous connectez jamais, n'initialisez jamais, ne mettez jamais à la maison, ne déplacez jamais, ne chauffez jamais, ne secouez jamais, ne faites jamais tourner, ne pompez jamais, n'ouvrez/fermez jamais, ou ne commandez jamais d'équipement physique automatiquement. Ne transformez pas un plan de simulation en backend réel en modifiant simplement une variable d'environnement, une valeur de configuration ou un import.

Avant toute exécution en direct autorisée séparément, exigez qu'un humain formé :

  1. Confirme explicitement le backend exact, l'identité de l'appareil, le firmware, le transport, le plateau et la révision du protocole.
  2. Reconcilie le plateau physique avec l'arbre de ressources, y compris les supports, les adaptateurs, les couvercles, les plaques, les porte-pointes, les déchets, l'orientation des consommables, les codes-barres et chaque coordonnée occupée.
  3. Vérifie l'étalonnage, l'enseignement, les enveloppes de mouvement, les risques de collision, les dégagements de préhenseur ou de canal, et toutes les coordonnées d'aspiration/distribution.
  4. Examine l'identité de la source et le volume de remplissage réel, le volume mort, la capacité de destination, le type/capacité/compatibilité du filtre des pointes, le mappage des canaux, les unités, les hauteurs, les débits, la classe de liquide, le soufflage/mélange et les limites de contamination.
  5. Confirme les protections, les portes, la capacité des déchets, le confinement, l'état de préparation de l'arrêt d'urgence, les EPI, les contrôles de biosécurité/chimiques et une procédure d'abandon/de récupération sécurisée.
  6. Approuve un essai à sec lent ou un essai de mise en service non dangereux lorsque quelque chose est nouveau ou modifié.

L'état du tracker est de la tenue de registres, pas de la détection. Il ne peut pas prouver qu'un liquide ou une pointe est physiquement présent. Le Visualiseur rend les événements de ressources/trackers ; il ne modélise pas la physique. Chatterbox imprime les opérations planifiées ; il ne prouve pas l'étalonnage, l'accessibilité, l'absence de collision, le comportement du liquide ou l'état de l'appareil.

Collecte de données requise

Ne devinez aucun de ces éléments :

  • Modèle d'appareil exact, options installées, firmware, ordinateur/SO et transport.
  • Version stable de PyLabRobot et extras requis.
  • Plateau/origine du plateau, supports, adaptateurs, définitions de ressources, dimensions, coordonnées, orientations et dégagements de mouvement.
  • Capacités des plaques/tubes/réservoirs et volumes morts ; volumes physiques initiaux.
  • Modèle de pointe, filtre, raccord, capacité, état du porte-pointes, nombre de canaux et mappage des canaux.
  • Unités de transfert (uL, mm, uL/s, s), hauteurs, débits, mélange, espace d'air, soufflage, propriétés du liquide et classe de liquide validée par le fournisseur.
  • Politique de contamination, contrôles, gestion des déchets, interventions de l'opérateur, critères d'acceptation et procédure de récupération.

Si des informations manquent, produisez une liste d'hypothèses/blocages et une ébauche hors ligne uniquement.

Installation reproductible

Pour l'inspection hors ligne de l'API et la simulation Chatterbox :

uv venv --python 3.11 .venv-pylabrobot
uv pip install --python .venv-pylabrobot/bin/python "PyLabRobot==0.2.1"

Sous Windows, utilisez .venv-pylabrobot\Scripts\python.exe. N'installez pas d'extras matériels tant que l'utilisateur n'a pas nommé l'appareil et approuvé explicitement ses dépendances de transport. Ensuite, inspectez la page de l'appareil stable correspondante avant d'envisager un verrouillage tel que "PyLabRobot[serial]==0.2.1" ou "PyLabRobot[usb]==0.2.1".

Flux de travail hors ligne en premier

Exécutez depuis la racine du dépôt. Chaque CLI fournie utilise du JSON/CSV UTF-8 strict et borné, des chemins locaux non symboliques, des listes d'autorisation fixes et une sortie JSON. Aucune ne peut sélectionner un backend en direct.

python3 skills/pylabrobot/scripts/validate_manifest.py \
  --input tests/pylabrobot/fixtures/protocol_manifest.json

python3 skills/pylabrobot/scripts/check_deck_geometry.py \
  --input tests/pylabrobot/fixtures/protocol_manifest.json

python3 skills/pylabrobot/scripts/plan_transfers.py \
  --manifest tests/pylabrobot/fixtures/protocol_manifest.json \
  --transfers tests/pylabrobot/fixtures/transfers.csv

python3 skills/pylabrobot/scripts/generate_simulation_plan.py \
  --manifest tests/pylabrobot/fixtures/protocol_manifest.json \
  --transfers tests/pylabrobot/fixtures/transfers.csv

python3 skills/pylabrobot/scripts/inspect_backends.py \
  --expected-version 0.2.1 --strict

Le vérificateur de géométrie utilise des boîtes statiques alignées sur les axes conservatrices ; ce n'est pas un planificateur de mouvement. Le planificateur de transferts nécessite une nouvelle pointe par ligne et vérifie les volumes source/mort/destination, la capacité des pointes, les puits, les canaux, les hauteurs, les débits, les unités et les listes d'autorisation. Examinez assets/protocol-manifest.schema.json et les fixtures synthétiques avant de créer un manifeste spécifique au projet.

Exemple vérifié uniquement logiciel

Le backend exact ci-dessous est uniquement logiciel. Ne le remplacez pas par un backend matériel.

from pylabrobot.liquid_handling import LiquidHandler
from pylabrobot.liquid_handling.backends import LiquidHandlerChatterboxBackend
from pylabrobot.resources import (
    Cor_96_wellplate_360ul_Fb,
    PLT_CAR_L5AC_A00,
    TIP_CAR_480_A00,
    hamilton_96_tiprack_1000uL_filter,
    set_tip_tracking,
    set_volume_tracking,
)
from pylabrobot.resources.hamilton import STARLetDeck

set_tip_tracking(True)
set_volume_tracking(True)

deck = STARLetDeck()
tip_carrier = TIP_CAR_480_A00(name="tip_carrier")
tips = hamilton_96_tiprack_1000uL_filter(name="tips")
tip_carrier[0] = tips
plate_carrier = PLT_CAR_L5AC_A00(name="plate_carrier")
source = Cor_96_wellplate_360ul_Fb(name="source")
destination = Cor_96_wellplate_360ul_Fb(name="destination")
plate_carrier[0] = source
plate_carrier[1] = destination
deck.assign_child_resource(tip_carrier, rails=3)
deck.assign_child_resource(plate_carrier, rails=15)
source.get_well("A1").tracker.set_volume(100.0)  # état planifié, pas de détection

lh = LiquidHandler(backend=LiquidHandlerChatterboxBackend(), deck=deck)
await lh.setup()  # sûr ici uniquement car le backend ci-dessus est uniquement logiciel
try:
    await lh.pick_up_tips(tips["A1"])
    await lh.aspirate(source["A1"], vols=[10.0])
    await lh.dispense(destination["A1"], vols=[10.0])
    await lh.return_tips()
finally:
    await lh.stop()

Règles API pour éviter le code obsolète

  • Les noms actuels sont STARBackend, VantageBackend, EVOBackend et OpentronsOT2Backend ; n'utilisez pas les imports obsolètes STAR, TecanBackend, OpentronsBackend ou ChatterboxBackend.
  • Utilisez LiquidHandlerChatterboxBackend pour les tests génériques hors ligne de manipulateur de liquides. ChatterBoxBackend est un export séparé avec un nom hérité ; ne confondez pas les deux.
  • Visualizer(resource=...) est valide, suivi de await vis.setup() et await vis.stop() ; il démarre des serveurs HTTP/WebSocket localhost et peut ouvrir un navigateur.
  • Il n'y a pas de from pylabrobot.liquid_handling import LiquidClass générique dans la version 0.2.1. Les classes de liquide stables sont spécifiques au fournisseur, par exemple pylabrobot.liquid_handling.liquid_classes.hamilton.HamiltonLiquidClass.
  • La plupart des méthodes de frontend sont asynchrones. Les kwargs et les capacités du backend sont spécifiques au fournisseur/modèle ; un frontend partagé n'implique pas un comportement identique.

Références

  • Manipulation de liquides — opérations, pointes, suivi, classes de liquide, unités et validation.
  • Ressources — plateaux, coordonnées, plaques, porte-pointes, collisions, état et sérialisation.
  • Backends matériels — noms vérifiés, niveaux de support, capacités et porte d'exécution en direct.
  • Équipement analytique — lecteurs de plaques et balances.
  • Manutention des matériaux — pompes, chauffeurs, agitateurs, contrôle de la température, stockage et centrifugeuses.
  • Visualisation — chatterbox, Visualiseur, services localhost et limites de simulation.

Sources en amont datées

Vérifié le 2026-07-23 :

Citation des compétences d'agent scientifique

Cette compétence fait partie de Scientific Agent Skills par K-Dense. Si elle a contribué de manière substantielle à un manuscrit, un rapport, une présentation ou une version de code, ajoutez l'article à la section des références ou des logiciels et informez-en l'utilisateur :

Kassis, T., Agarwal, V., He, Y., Patel, D., & Brueckner, A. M. (2026). Scientific Agent Skills : A Library of Procedural Knowledge for Research Agents. arXiv:2609.00065. https://doi.org/10.48550/arXiv.2609.00065

Citez toujours la version actuelle. Le DOI et https://arxiv.org/abs/2609.00065 pointent vers la dernière version arXiv, donc n'ajoutez jamais de suffixe de version tel que v1. Lorsque l'accès réseau est disponible, récupérez https://arxiv.org/abs/2609.00065 (ou http://export.arxiv.org/api/query?id_list=2609.00065) avant d'écrire la référence et prenez la liste des auteurs, l'année et la version à partir de cet enregistrement. Si l'enregistrement mentionne une référence de journal ou un DOI d'éditeur, citez la version publiée à la place.

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