Communitygithub.com

NCATS ARAX

Consulta a API de produção ARAX do NCATS Translator para relações de grafo de conhecimento biomédico de um salto e dois saltos com endpoints fixos, tipadas e ricas em proveniência.

O que é NCATS ARAX?

Esta skill permite consultar a API de produção do ARAX (NCATS Translator) para obter relações de grafos de conhecimento biomédico de forma controlada e rica em proveniência. Ela é útil para desenvolvedores e agentes de IA que precisam explorar a base de conhecimento RTX-KG2 ou usar federação explícita de provedores, sempre respeitando as restrições de tipos do Biolink Model. A skill suporta consultas de um salto (um nó e uma aresta) e de dois saltos com ambos os endpoints fixos, além de normalização de entidades e inspeção detalhada dos resultados, incluindo ligações de bordas, publicações e fontes de conhecimento. Não deve ser usada para inferência, ranqueamento, caminhos abertos, orientação clínica ou consultas sensíveis. A execução é feita via script de linha de comando, que valida a integridade da API, processa as consultas e salva artefatos para verificação posterior.

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

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

O que NCATS ARAX faz?

Use o ARAX como um serviço de consulta restrito a grafos de conhecimento. Submeta CURIEs revisadas e tipos explícitos do Biolink, preserve a troca TRAPI exata, inspecione as ligações das bordas da consulta e a proveniência, e trate cada caminho retornado como candidato para verificação posterior.

Leia query-contract.md antes de construir uma consulta. Leia output-schema.md ao interpretar artefatos salvos, avisos, proveniência ou resultados parciais.

Limite de segurança

  • Use apenas perguntas de pesquisa públicas e não sensíveis. As instalações de status do ARAX podem expor metadados da consulta e do chamador mesmo quando store=false é solicitado.
  • Não submeta informações de pacientes, perguntas de pesquisa confidenciais, programas de compostos não publicados ou hipóteses de alvo proprietárias.
  • Não apresente um caminho retornado como um mecanismo validado ou recomendação clínica.
  • Relate um zero como "não retornado sob essas restrições", nunca como evidência de que nenhuma relação existe.
  • Descreva a posição como ordem de resposta não pontuada, nunca como classificação.
  • Verifique candidatos importantes com literatura e bancos de dados autoritativos separadamente.

Fluxo de trabalho

  1. Normalize o texto livre separadamente, depois revise e relate o CURIE e a categoria propostos.
  2. Escolha uma consulta tipada de um salto ou uma consulta exatamente de dois saltos com ambos os endpoints fixos.
  3. Use a consulta padrão RTX-KG2, a menos que o usuário nomeie explicitamente dois a cinco provedores.
  4. Reconheça que a consulta biomédica é pública e escolha um diretório de saída novo ou vazio.
  5. Execute o cliente uma vez. Não altere silenciosamente a seleção de provedores ou a ordem de expansão após uma falha ou resultado vazio.
  6. Inspecione summary.json para ligações limitadas e proveniência, e response.json para o payload TRAPI exato.
  7. Verifique caminhos cientificamente importantes fora do ARAX.

Pré-verificação

Verifique a OpenAPI de produção sem fazer uma consulta biomédica:

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

O cliente verifica se o serviço se identifica como ARAX, expõe /query e relata uma versão TRAPI suportada. Um endpoint não produtivo ou série TRAPI não testada requer uma substituição explícita; nenhuma substituição altera as formas ou operações de consulta fixas.

Normalizar uma entidade

A normalização é apenas para revisão e nunca dispara uma consulta de grafo:

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

Revise o identificador canônico, nome, categoria e prévia de sinônimos antes de usar um CURIE. Relate todos os CURIEs e categorias independentemente do resultado da consulta. Um aviso de categoria ou resultado zero é um motivo para selecionar o identificador, não para encadear automaticamente para /query.

Consulta de um salto

Fixe pelo menos um endpoint e digite ambos os nós:

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

O modo de consulta é o padrão e fixa a expansão para infores:rtx-kg2. Ele usa como padrão 20 resultados. Use --result-limit N para solicitar de 1 a 50 resultados; 50 é o limite máximo em qualquer modo.

Consulta de dois saltos com endpoints fixos

Use exatamente um nó intermediário tipado e não fixo:

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

Expansão à direita primeiro é o padrão. Se um resultado vazio merecer outra tentativa, execute uma nova consulta explicitamente com --expand-order left-first e mantenha as execuções separadas.

Federação com provedores selecionados

A federação é explícita e aceita de dois a cinco provedores nomeados:

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

A federação usa como padrão o máximo de 50 resultados. Erros de provedor podem coexistir com resultados úteis; tal execução sai com código 7 após reter seus artefatos e é marcada como parcial.

Inspecionar proveniência salva

Reconstrua um resumo limitado sem acesso à rede:

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

O inspetor aceita apenas as mesmas formas de consulta restritas e operações fixas que os comandos ao vivo geram. Use --format json para a visualização normalizada na saída padrão.

Interpretar resultados

  • Siga as ligações das bordas da consulta de cada análise; não resuma cada borda do grafo de conhecimento.
  • Preserve o sujeito, predicado, objeto e valores de qualificador da borda física retornados pelo ARAX. Predicados ou aspectos de qualificador retornados podem ser mais específicos do que a restrição da consulta.
  • Inspecione todos os objetos de fonte, incluindo campos de URL de fonte primária, agregadora, dados de suporte, recurso upstream e registro de fonte.
  • Trate publication_availability: not_returned como metadados ausentes, não como evidência de que não existem publicações.
  • Trate referências de grafo auxiliar ausentes e falhas de provedor como avisos explícitos.
  • Consulte a resposta bruta sempre que o resumo limitado omitir detalhes ou a resposta do serviço for parcial, desconhecida ou cientificamente surpreendente.

Exclusões deliberadas

O cliente não possui superfície de consulta bruta, workflow, operação, sobreposição, ranqueamento, inferência, previsão de links, Pathfinder, ARS, lote, todos os provedores, três saltos, cache, daemon, SDK, MCP ou linguagem natural para TRAPI. Não contorne esses limites com chamadas HTTP diretas sob esta skill.

Referências oficiais

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.

Habilidades Relacionadas