Skills
エージェント向けにパッケージ化された専門スキルと手順を 97,222 件掲載。コマンド 1 行でインストールできます。
データ・データベース
スケーラブルなバイオインフォマティクスパイプライン向けのデータフローワークフローエンジン。チャネルで接続されたプロセス（コンテナ化タスク）を定義し、設定を 1 か所変更するだけでローカル、HPC (SLURM/SGE)、クラウド (AWS/GCP/Azure)、Kubernetes で実行できる。nf-core を支える。ルールベースの Python ワークフローには Snakemake、コンテナ化・クラウドネイティブ・nf-core のパイプラインには Nextflow を使用。
PaperOrchestra パイプラインのステップ 2（arXiv:2604.05018）。outline.json の可視化計画を実行し、experimental_log.md と idea.md からプロットと概念図をレンダリングし、必要に応じて VLM 批評ループで改善し、文脈を考慮したキャプションを生成します。literature-review-agent と並行して実行されます。オーケストレーターがステップ 2 を委任したとき、またはユーザーが「論文の図を生成して」「この実験ログからプロットをレンダリングして」と依頼したときにトリガーします。
PyTRIO/TRIO を使ったリモート LLM の学習・推論コードの作成、デバッグ、説明に使用します。ユーザーが pytrio、TRIO、PyTRIO SDK、ServiceClient、TrainingClient、SamplingClient、LoRA 学習、SFT、非同期 SFT、PyTRIO-Jev、PyTRIO Decision Model、多モーダル推論、多モーダル学習、Vision GRPO、視覚 RLVR、ImageChunk、RL、GRPO、OPD、Search-R1、ReTool、DAPO、GSPO、ALFWorld、TextWorld、Agentic RL、OPSD、On-Policy Self-Distillation、DPO、カスタム損失関数、forward_backward_custom、forward_backward_custom_async、ツール使用の強化学習、HuggingFace datasets、TRIO OpenAI 互換 API、SwanLab の学習記録、重みの保存、checkpoint、またはリモート LLM のポストトレーニングに言及した場合に使用します。
リレーショナルスキーマを設計する際にモデルが持ちがちな誤ったデフォルトを正す——経験豊富なエンジニアが異なる判断をする DDL の決定事項。テーブル、マイグレーション、ER モデル、ORM スキーマ定義を作成・レビューするときに使用する。扱う内容は、識別子とキー（代理キーと自然キー、identity と serial、uuidv7、クロステナント参照を不可能にする複合キー）、リレーションシップ（データベースが強制できないポリモーフィック外部キー、参照アクション、インデックスのない FK 列、非交差サブタイプ）、アプリケーションコードではなくエンジンが証明できる不変条件（EXCLUDE、部分ユニークインデックス、CHECK 制約、遅延可能な循環、NOT VALID）、型（timestamptz、正確な金額、範囲型、enum とルックアップテーブル）、派生・エンコードされたデータ（生成列、逃げ道としての JSONB）、時間（イベントとその場更新、制約を暗黙に無効化するソフトデリートフラグ、時制キー）。クエリのチューニング、読み取りパスのインデックス選択、コネクションプーリングには使用しない。
Seata 分散トランザクションスキル。AT/TCC/SAGA/XA の 4 モード選択の決定木、AT モードで必須の undo_log テーブル、TCC モードの useTCCFence による冪等性/垂下/空ロールバックの解決、SAGA ステートマシンによる長いプロセス、グローバルトランザクションのタイムアウト設定(@GlobalTransactional timeoutMills)、読み取り分離の強化(@GlobalLock + FOR UPDATE)を網羅します。LLM の誤りを正します：AT/TCC/SAGA のどれを選ぶべきか分からない、undo_log テーブルを作らない、TCC Confirm が冪等でない、ウォッチドッグを処理しない。
stplugin.h SDK を使用して Stata 向けの高性能な C/C++ プラグインを開発します。ユーザーが Stata プラグインの作成、Stata 用の C/C++ コードの記述、C による Stata コマンドの高速化、クロスプラットフォームな Stata プラグインの構築、Python や R パッケージの Stata への移植を求めた場合に使用します。ライフサイクル全体を扱います：SDK のセットアップ、データフロー、メモリ安全性、preserve/merge を伴う .ado ラッパー、クロスプラットフォームコンパイル、パフォーマンス最適化（pthreads、事前ソート済みインデックス、XorShift RNG）、デバッグ、net install による配布。また、Python/R パッケージを Stata に移植するための翻訳ワークフローも含みます — 利用可能な場合は既存の C++ バックエンドをラップし、そうでない場合は C をゼロから記述します。
研究データ向けのガイド付き統計分析です。検定の選択、仮定の確認、効果量、検出力分析、ベイズ的な代替手法、APA 形式のレポート作成を扱います。ユーザーがグループ比較、仮説検定、実験またはアンケートデータの分析、統計的仮定の確認、必要サンプル数の計算、結果の記述を希望する場合は、具体的な検定名が示されていなくても使用します。t 検定、ANOVA、カイ二乗検定、相関、回帰、ノンパラメトリック法、ベイズ法を扱います。低レベルのモデル API については statsmodels と pymc のスキルを参照してください。
AnnData の注釈付きデータ行列（obs、var、X、layers、obsm、uns）を構築、スライス、連結、読み取り、書き込みする——scverse のデータ STRUCTURE であり、解析パイプラインではない。.h5ad/zarr ファイルの作成や整理、細胞と遺伝子の注釈の管理、バッチの連結、layers/obsm/backed モードの処理を行うときに使用する。QC、正規化、クラスタリング、UMAP、差次的発現解析のパイプラインには代わりに alterlab-scanpy を、spliced/unspliced 層からの RNA velocity には代わりに alterlab-scvelo を優先する。AlterLab Academic Skills スイートの一部。
Biopython（Bio.SeqIO、Bio.Entrez、Bio.PDB、Bio.Blast）を使って生物配列を操作し、FASTA/GenBank/PDB ファイルを解析し、系統解析を実行し、NCBI/PubMed にプログラムからアクセスする。独自のバイオインフォマティクスパイプラインのスクリプト化、配列ファイルのバッチ処理、BLAST の自動化、Entrez からのレコード取得に使用する——手早い単発のデータベース検索には gget、統合されたマルチサービス連携には bioservices を使用する。AlterLab Academic Skills スイートの一部。
bioservices を使い、統一された Python API で 40 以上のバイオインフォマティクス Web サービス（UniProt、KEGG、ChEMBL、Reactome、Ensembl、NCBI など）に問い合わせる。ワークフローで複数のデータベースをまとめて参照する、サービス間で識別子をマッピングする、データベース横断の解析を行うときに使用する——手早い単一データベースの検索には gget、配列とファイルの操作には biopython を使用する。AlterLab Academic Skills スイートの一部。
cellxgene-census と TileDB-SOMA を使って CZ CELLxGENE Census（2 億以上 の細胞）をプログラムから照会し、組織・疾患・細胞種ごとに発現データを切り出して AnnData を返す。最大規模のキュレーション済み公共アトラスから参照シングルセル RNA-seq データを取得する場合、集団規模のクエリを実行する場合、自分のデータを参照データとベンチマークする場合に使用する。自身のデータセットを解析する場合は scanpy または scvi-tools を使う。AlterLab Academic Skills スイートの一部。
科学データファイルに対する探索的データ解析（EDA）。形式を自動判別し、構造・品質・統計のチェックを実行し、下流の推奨事項を含む markdown の EDA レポートを書き出す。データファイルの「探索」「分析」「要約」「プロファイリング」「QC」を求められた場合や、どの解析を実行するかを決める前にその構造・内容・品質を把握したい場合に使用する。表形式（.csv .tsv .xlsx .parquet）、配列（.npy .npz .hdf5 .h5 .mat .fits）、配列解析/ゲノミクス（.fasta .fastq .sam .bam .vcf .bed .gff .gtf .h5ad）、顕微鏡（.tif .nd2 .czi .lif .ims .dcm .nii）、分光/質量分析（.mzML .mzXML .mgf .fid .jdx）、化学（.pdb .cif .mol .sdf .xyz .gro）、プロテオミクス/メタボロミクス（.pepXML .mzid .mzTab）を対象とする。系列のゼロショット予測には alterlab-timesfm を、チャンク化されたクラウド配列ストアの作成/設定には alterlab-zarr を使用する。AlterLab Academic Skills スイートの一部。
edgartools Python ライブラリを使って SEC EDGAR 提出書類のデータにアクセス・分析・抽出する。SEC 提出書類、財務諸表（損益計算書、貸借対照表、キャッシュフロー計算書）、XBRL 財務データ、インサイダー取引（Form 4）、機関保有（13F）、企業財務、年次/四半期報告書（10-K、10-Q）、委任状説明書（DEF 14A）、8-K 臨時報告、ティッカー/CIK/業種による企業スクリーニング、複数期間の財務分析、その他あらゆる SEC 規制提出書類を扱う場合に使用する。AlterLab Academic Skills スイートの一部。
ESM タンパク質言語モデルを実行する。ESMC は埋め込みと表現、ESMFold2 は構造予測、ESM3 は配列・構造・機能にまたがる生成的多モーダルタンパク質設計を担う。ローカルまたはホスト型の Biohub Platform API（旧 Forge）経由で実行できる。タンパク質配列、構造、機能予測の扱い、新規タンパク質の設計、タンパク質埋め込みの生成、逆折りたたみ、タンパク質工学タスクに使用する。AlterLab Academic Skills スイートの一部。
Plotly Python ライブラリ（plotly.express / graph_objects）でインタラクティブなグラフを構築する — ホバーツールチップ、ズーム/パン、アニメーション、レンジスライダー、3D 回転、単体の HTML/Web 埋め込み可能な出力。グラフをインタラクティブまたは Web 埋め込みにする必要がある場合、ダッシュボード（Dash を含む）、探索的データ分析、回転可能な 3D プロットに使用する。静的な出版用図は alterlab-matplotlib（ジャーナル向け整形には alterlab-scientific-viz）に、静的な統計グラフ（ヒートマップ、分布）は alterlab-seaborn に、図解/模式図は alterlab-scientific-schematics または alterlab-mermaid に譲る。AlterLab Academic Skills スイートの一部。
pymatgen ツールキットで材料を分析・操作する — 結晶構造と分子、状態図と熱力学的安定性、電子構造（バンド構造、DOS）、表面と界面、および Materials Project データベースへのアクセス。材料科学における結晶構造の扱い、構造フォーマット間の変換（CIF、POSCAR、XYZ）、対称性や空間群の解析、状態図の計算、Materials Project API へのクエリ、VASP、Gaussian、Quantum ESPRESSO の出力処理に使用する。AlterLab Academic Skills スイートの一部。
scikit-survival を使った Python での生存分析と時間-イベントモデリング。打ち切り生存データの扱い、Cox モデル、Random Survival Forest、Gradient Boosting モデル、Survival SVM の適合、一致性指数や Brier スコアによる予測の評価、競合リスクの処理、あらゆる時間-イベントワークフローの実装に使用する。AlterLab Academic Skills スイートの一部。
scvi-tools で単一細胞オミクス向けの深層生成モデルを訓練——確率的バッチ補正と統合（scVI）、参照マッピングによる転移学習（scArches）、不確実性を伴う差次的発現、マルチモーダルモデル（CITE-seq 向け totalVI、multiome 向け MultiVI）。バッチ効果の補正、マルチモーダルデータの統合、高度な確率的単一細胞モデリングに使用——標準的な解析パイプラインには scanpy を使用。AlterLab Academic Skills スイートの一部。
SHAP（SHapley Additive exPlanations）によるモデルの解釈性と説明可能性 — 特徴重要度とプロット（waterfall、beeswarm、bar、scatter、force、heatmap）。ML モデルの予測の説明、特徴重要度の計算、モデルのデバッグ、バイアスや公平性の分析、モデルの比較、または木ベースモデル（XGBoost、LightGBM、Random Forest）、深層学習（TensorFlow、PyTorch）、線形モデル、あらゆるブラックボックスモデルにわたる説明可能 AI の実装に使用する。AlterLab Academic Skills スイートの一部。
Vaex によるアウトオブコアの表形式解析 — vaex.open によるメモリマップされた HDF5/Arrow/Parquet、遅延仮想列、数十億行のテーブルに対する遅延シングルパス集計、ビン化ヒストグラム/ヒートマップ、1 台のマシン上での vaex.ml 変換器。Vaex は最小メンテナンスモードにある（2025 年 9 月の vaex-core 4.19 は Python 3.9〜3.12 と pandas < 3 のみをサポート）ため、既存の Vaex コードを実行、修正、移行するために使用；RAM を超える新しい作業には Polars の遅延/ストリーミングクエリ（alterlab-polars）または Dask（alterlab-dask）を優先。プロジェクトがすでに Vaex に依存しているとき、メモリマップされた HDF5/Arrow ファイルを開くとき、delay=True で集計をバッチ処理するとき、Vaex パイプラインを Polars に移植するときに使用。AlterLab Academic Skills スイートの一部。
接続と SQL を cdata-cli のディスカバリースキルで検証した後、CData ドライバーを通じてデータソースに接続する Java（または他の JVM 言語 — Kotlin、Scala）アプリケーションコードを書くときに使用する。CData JDBC Driver エディションを対象とし、cdata-cli がすでにダウンロードして有効化した同一の jar を再利用し、classpath に配置する（または Maven/Gradle 依存関係として追加する）方法、および JDBC（DriverManager、jdbc:<source>: URL、PreparedStatement）で接続する方法を扱う。これは cdata-cli の JVM ビルド段階のコンパニオンスキルである。
AI アプリケーションが外部のツールやデータソースに統一的な方法で接続するためのオープンなプロトコルです。クライアントはモデルとの対話を担い、MCP サーバーはツール・リソース・プロンプトテンプレートを提供します。標準メッセージでやり取りするため、1 つのサーバーを複数のクライアントで再利用できます。