> For the complete documentation index, see [llms.txt](https://docs.hits.ai/hyperlab-catalog/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.hits.ai/hyperlab-catalog/all-ko/all-skills.md). # 하이퍼랩 전체 스킬 카탈로그 하이퍼랩 Bio Co-Scientist 랩스페이스의 전체 스킬과 주요 기능, 입력 조건 및 지원 범위를 확인할 수 있습니다.

카테고리	스킬명	설명
유전체·생물정보	anndata-data-structure	단일세포 데이터를 표준 컨테이너에 담습니다. 세포별·유전자별 annotation이 붙은 발현 행렬, 대체 layer, embedding, 이웃 그래프를 보관하고 디스크로 읽고 씁니다. 데이터를 정리하는 역할이며, 분석은 그 위에서 돌아갑니다.
유전체·생물정보	arboreto-grn-inference	발현 데이터로부터 어떤 transcription factor가 어떤 유전자를 조절하는지 추론합니다. 모든 factor-target 연결을 p-value가 아니라 중요도로 점수화해 네트워크로 출력합니다. 단일세포 규모 행렬까지 확장되지만, 아주 큰 경우에는 변동성이 큰 유전자로 먼저 줄여야 합니다.
유전체·생물정보	archs4-database	사람과 마우스 유전자의 발현을 동일한 방식으로 처리된 100만 건 이상의 공개 RNA 시퀀싱 샘플에서 조회합니다. 직접 재처리하지 않아도 조직별 패턴과 공발현 유전자를 바로 비교할 수 있습니다.
유전체·생물정보	bakta-genome-annotation	세균 또는 고세균 genome을 annotation합니다. coding sequence, 각종 RNA 유전자, small ORF, CRISPR array, 복제 기점을 공개 아카이브가 받아주는 형식으로 출력합니다. 첫 실행 시 reference database를 내려받는 데 몇 분이 걸리며, 여기서는 축소 버전만 쓸 수 있어 일부 유전자에는 일반적인 설명만 붙습니다.
유전체·생물정보	bcftools-variant-manipulation	variant calling 이후의 variant 파일을 필터링·병합·정규화·annotation합니다. quality 기준 적용, 다중 샘플 병합, reference 식별자 추가, genotype 추출을 지원하고 요약 통계도 계산합니다.
유전체·생물정보	bedtools-genomic-intervals	genomic interval 연산을 수행합니다. 겹침 찾기, 영역 병합, coverage 계산, 가장 가까운 feature 탐색, 해당 구간 서열 추출을 주요 좌표 형식 전반에서 지원합니다.
유전체·생물정보	biopython-molecular-biology	일상적인 서열 작업을 처리합니다. 주요 형식의 읽기와 변환, 서열 조작, 공개 아카이브 조회, 검색 실행, 구조 다루기를 지원합니다. 배치 작업과 커스텀 파이프라인을 위한 범용 toolkit입니다.
유전체·생물정보	biopython-sequence-analysis	서열끼리 비교합니다. pairwise 및 multiple alignment를 수행한 뒤 거리 기반 계통수(neighbour-joining 또는 UPGMA)를 만들고 다룹니다. 공개 아카이브에서 서열을 가져오는 기능이 연결돼 있습니다. 유전자 패밀리와 종간 비교 작업에 적합합니다.
유전체·생물정보	bioservices-multi-database	수십 개 생물학 웹 서비스를 하나의 프로그래밍 인터페이스로 접근합니다. 각 서비스를 따로 익히지 않아도 스크립트 하나로 단백질, pathway, 화합물, 식별자 사이를 오갈 수 있습니다. 데이터베이스 간 연계 워크플로우를 위한 도구입니다.
유전체·생물정보	busco-status-interpretation	genome, transcriptome, 예측 단백질 세트의 completeness 점수가 실제로 무엇을 말하는지 해석합니다. 중복 유전자가 왜 여전히 complete로 집계되는지, assembly를 공정하게 비교하는 방법, 수치를 부풀리거나 깎아내리는 집계 실수를 다룹니다.
유전체·생물정보	bwa-mem2-dna-aligner	DNA 시퀀싱 read를 reference genome에 정렬하고 variant calling에 바로 쓸 수 있는 sorted alignment를 출력합니다. breakpoint를 가로지르는 read도 처리합니다. 세균 등 작은 genome에 적합하며, 사람 genome index는 여기서 만들기에 너무 큽니다. RNA에는 splice-aware aligner가 따로 필요합니다.
유전체·생물정보	cbioportal-database	대규모 환자 코호트의 암 유전체 데이터를 가져옵니다. somatic mutation, copy number, 발현, 그리고 생존을 포함한 임상 기록을 수백 건의 출판된 연구에서 조회합니다.
유전체·생물정보	celltypist-cell-annotation	면역, 장, 폐, 뇌, 태아, 종양 조직을 포괄하는 사전학습 reference 모델로 cell type을 라벨링합니다. 세포별 라벨, 클러스터별 다수결 라벨, 신뢰도 점수를 제공합니다. 빠르며 한 번에 한 모델을 사용합니다.
유전체·생물정보	cellxgene-census	수천만 개 annotation된 세포로 이뤄진 공개 컬렉션을 cell type, 조직, 질환, 종 기준으로 검색하고, 전체를 내려받지 않고 선택한 부분만 스트리밍합니다. 직접 생산하지 않은 reference 데이터셋이 필요할 때 사용합니다.
유전체·생물정보	clinpgx-database	환자의 genotype에 따라 처방을 어떻게 바꿔야 하는지 조회합니다. 큐레이션된 용량 가이드라인, 유전자-약물 쌍, variant-약물 연관, 그리고 그 근거가 되는 규제 라벨 문구를 제공합니다.
유전체·생물정보	clinvar-database	variant가 임상적으로 무엇을 의미한다고 알려져 있는지 조회합니다. 병원성으로 분류되는지, 어떤 질환과 연결되는지, 누가 평가를 제출했고 얼마나 철저히 검토됐는지를 확인합니다.
유전체·생물정보	cnvkit-copy-number	정렬된 targeted 또는 whole-genome 시퀀싱 read에서 copy number 증가와 감소를 검출합니다. matched 또는 pooled normal 샘플로 coverage를 정규화하고 segmentation한 뒤, 종양 순도 추정과 함께 amplification과 deletion을 콜합니다. 첫 실행에는 reference genome 다운로드를 포함해 몇 분의 준비 시간이 필요합니다.
유전체·생물정보	dbsnp-database	알려진 variant를 reference 식별자, 유전자, 영역으로 조회합니다. allele, 변이 유형, minor allele 빈도, 다른 variant 리소스로의 링크를 반환합니다.
유전체·생물정보	deeptools-ngs-analysis	alignment를 정규화된 coverage track과 그에 따르는 플롯으로 바꿉니다. feature 주변의 signal profile과 heatmap, 샘플 상관관계와 주성분을 ChIP, ATAC, RNA 시퀀싱에 대해 생성합니다.
유전체·생물정보	depmap-crispr-essentiality	암 세포주 전반의 DepMap CRISPR knockout 스크린을 읽어 유전자가 어디서 필수이고 어디서 아닌지 판정하며, 결측값을 적절히 처리하면서 발현과 필수성의 상관을 계산합니다.
유전체·생물정보	deseq2-differential-expression	raw bulk RNA 시퀀싱 count로부터 조건 간에 변하는 유전자를 찾습니다. shrunken fold change, 보정된 p-value, 그리고 그에 맞는 volcano·MA·heatmap 뷰를 제공합니다. 다요인 설계도 지원합니다. R 기반 경로입니다.
유전체·생물정보	ena-database	유럽 아카이브에서 서열 데이터를 검색하고 내려받습니다. raw read, assembly, annotation된 서열을 다루며 파일 위치를 반환해 공개 데이터셋을 바로 받을 수 있게 합니다.
유전체·생물정보	encode-database	천 종 이상의 세포 유형에 걸친 조절 유전체 실험을 검색합니다. transcription factor 결합, open chromatin, histone mark, 발현을 다루며 peak과 signal 파일, 또는 특정 영역의 카탈로그된 조절 요소를 내려받습니다.
유전체·생물정보	ensembl-database	300종이 넘는 생물에서 Ensembl의 유전자·전사체·variant annotation을 조회합니다. 심볼이나 식별자로 유전자를 찾고, 서열, 타 종의 ortholog, 조절 feature, 다른 명명 체계와의 상호 참조, variant의 예측 효과를 확인합니다.
유전체·생물정보	etetoolkit	이미 만들어진 계통수를 다룹니다. 표준 형식 읽기, 노드 순회와 annotation, 분류 정보 연결, 논문에 넣을 수 있는 그림 렌더링을 지원합니다.
유전체·생물정보	fastp-fastq-preprocessing	raw Illumina 시퀀싱 read를 한 번에 점검하고 정리합니다. adapter를 검출해 제거하고, 품질이 낮은 read를 버리고, 겹치는 pair를 보정하며 품질 리포트를 작성합니다. 모든 정렬에 앞서는 첫 단계입니다.
유전체·생물정보	featurecounts-rna-counting	각 유전자에 몇 개의 read가 떨어지는지 셉니다. 정렬된 read와 유전자 annotation을 받아 차등 발현 분석에 필요한 유전자별 행렬을 만듭니다. strandedness와 paired read를 여러 샘플에 대해 한 번에 처리합니다.
유전체·생물정보	gatk-variant-calling	duplicate가 표시된 정렬 데이터로부터 germline SNV와 짧은 indel을 콜합니다. 샘플별 calling, 코호트 전체 joint genotyping, 이후 recalibration 또는 hard filter로 이어지는 best-practice 경로를 따릅니다. 대규모 코호트보다 소수 샘플에 적합하며, 첫 실행에는 reference와 known-variant 파일을 내려받는 추가 시간이 필요합니다.
유전체·생물정보	gene-database	유전자를 공식 레코드로 연결합니다. 승인된 심볼, 별칭, reference sequence 식별자, 기능 요약, 위치 정보를 매우 넓은 범위의 생물종에 대해 제공합니다.
유전체·생물정보	geniml	genomic region을 모델이 쓸 수 있는 벡터로 변환합니다. region embedding을 학습·적용하고, interval 데이터셋을 인덱싱해 그 공간에서 검색합니다. accessibility로 샘플을 군집화하거나 조절 요소를 분류할 때 사용합니다. 첫 실행에 몇 분의 준비 시간이 필요합니다.
유전체·생물정보	geo-database	공개 발현 저장소를 검색하고 재분석을 위해 연구 데이터를 내려받습니다. series matrix, 플랫폼 annotation, 샘플별 메타데이터를 작업 가능한 테이블로 불러옵니다. RNA-seq 연구의 경우 count가 series matrix가 아니라 보충 파일에 들어 있는 경우가 많습니다.
유전체·생물정보	gget-genomic-databases	하나의 유전자에 대한 질문을 명령 하나로 여러 리소스에서 답합니다. 레코드와 서열, 알려진 구조, enrichment, 질환과 약물 연결, 암과 단일세포 데이터를 다룹니다. 깊은 질의보다는 빠른 조회에 적합합니다.
유전체·생물정보	gnomad-database	variant가 주요 조상 집단별로 얼마나 흔한지, 그리고 유전자가 손상을 얼마나 견디는지 조회합니다. variant의 희귀성과 유전자의 constraint를 판정할 수 있습니다.
유전체·생물정보	gseapy-gene-enrichment	유전자 목록이 알려진 pathway나 signature에 몰려 있는지 검정합니다. 잘라낸 목록에 대한 over-representation 방식과 완전히 순위가 매겨진 목록을 따라 점수를 내려가는 방식을 모두 지원하며 enrichment 테이블과 플롯을 반환합니다.
유전체·생물정보	gtars	아주 큰 interval 파일 모음을 빠르게 처리합니다. 읽기와 쓰기, intersect, merge, complement, subtract를 수행하고 이후 모델링을 위해 영역을 공통 어휘로 축약합니다.
유전체·생물정보	gwas-database	출판된 genome-wide 연구에서 variant가 어떤 형질·질환과 연관됐는지, 또는 특정 질환에 대해 어떤 variant가 보고됐는지 조회합니다. 효과 크기와 근거 연구를 함께 제공하며, 연구가 등록해 둔 경우 요약 통계까지 확인할 수 있습니다.
유전체·생물정보	harmony-batch-correction	차원 축소 이후 군집화 이전 단계에서 단일세포 데이터의 batch effect를 제거하며, 실제 생물학적 차이까지 지워버리는 과도한 보정을 방지합니다. 선형이고 빠르며 수백만 세포까지 확장됩니다.
유전체·생물정보	homer-motif-analysis	peak 집합에서 어떤 transcription factor motif가 과대 표현됐는지 찾습니다. 알려진 motif와 서열에서 직접 발견한 motif를 모두 다루고, 각 peak이 어떤 유전자 근처에 있는지 보고합니다. peak calling 다음 단계입니다. 첫 실행에는 genome 서열을 내려받는 데 몇 분이 걸립니다.
유전체·생물정보	jaspar-database	transcription factor의 결합 motif를 position matrix 형태로 조회합니다. 이름, 종, 구조적 패밀리로 찾을 수 있고, 서열을 스캔해 그 motif가 어디에 나타나는지 확인합니다. 관찰된 결합이 아니라 motif 자체입니다.
유전체·생물정보	macs3-peak-calling	시퀀싱 신호가 배경 대비 쌓이는 영역을 찾습니다. transcription factor 결합 부위든 histone mark든 open chromatin이든, peak으로 출력합니다. 날카로운 결합에는 narrow, 퍼져 있는 mark에는 broad를 사용합니다.
유전체·생물정보	monarch-database	질환, 유전자, phenotype을 하나의 탐색 가능한 그래프로 연결합니다. 종을 넘나드는 연결까지 포함해, 관찰된 phenotype 집합을 phenotype 중첩도로 순위를 매긴 후보 유전자 목록으로 바꿔줍니다.
유전체·생물정보	mouse-phenome-database	근교배 마우스 strain의 측정된 phenotype을 조회합니다. strain 평균값이나 개체 단위 데이터를 수백 개 프로젝트에 걸쳐 phenotype 용어로 검색할 수 있어, 근거를 보고 strain을 고를 수 있습니다.
유전체·생물정보	multiqc-qc-reports	150개가 넘는 표준 파이프라인 도구가 남긴 품질 지표를 모아 하나의 인터랙티브 리포트로 합칩니다. 로그를 하나씩 열지 않고도 수십 개 샘플을 한 화면에서 비교할 수 있습니다.
유전체·생물정보	plink2-gwas-analysis	대규모 genotype 데이터셋에 대해 선형 또는 로지스틱 회귀로 genome-wide 연관성 분석을 수행합니다. 품질 관리, 혈연도 추정, 집단 구조 보정을 먼저 수행하고, 바로 플롯할 수 있는 연관성 통계를 내놓습니다.
유전체·생물정보	popv-cell-annotation	라벨이 붙은 reference에 대해 열 가지가량의 방법을 돌리고 다수결로 cell type을 라벨링합니다. 각 방법의 판정과 서로 얼마나 일치했는지를 보고합니다. 한 방법의 답만으로 믿기 어려울 때 씁니다. 첫 실행에 몇 분의 준비 시간이 필요하고, 딥러닝 방법은 여기서 학습이 느려 큰 데이터셋에서는 제외해야 할 수 있습니다.
유전체·생물정보	prokka-genome-annotation	원핵생물 genome을 annotation합니다. 세균, 고세균, 바이러스를 대상으로 기존 reference 패밀리에 대조해 coding sequence와 RNA 유전자를 찾습니다. 기존 파이프라인이 기대하는 오래된 표준 경로입니다. 첫 실행에 몇 분의 준비 시간이 필요합니다.
유전체·생물정보	pydeseq2-differential-expression	raw count 테이블과 sample sheet로 bulk RNA 차등 발현 분석을 R 없이 Python 파이프라인 안에서 수행합니다. 정규화, 음이항 분포 피팅, 보정된 p-value, shrunken fold change, 그리고 일반적인 플롯을 제공합니다. 2군 비교와 다요인 비교를 모두 지원합니다.
유전체·생물정보	pysam-genomic-files	스크립트 안에서 alignment, variant, 서열 파일을 엽니다. 특정 영역의 read를 뽑거나, pileup을 순회하거나, 표준 도구가 제공하지 않는 필터를 직접 적용할 수 있습니다.
유전체·생물정보	quickgo-database	Gene Ontology 용어와 거기 annotation된 단백질을 조회합니다. 식별자나 키워드로 용어를 찾고, ontology 상하 위치를 확인하고, 종이나 근거로 annotation을 필터링합니다. enrichment 검정 전 단계입니다.
유전체·생물정보	regulomedb-database	사람 variant가 유전자 조절에 영향을 줄 가능성을 가장 강한 근거부터 없음까지 점수화하고, 무엇과 겹치는지를 보여줍니다. factor 결합, histone mark, open chromatin, footprint, motif, 발현 효과를 다룹니다.
유전체·생물정보	remap-database	transcription factor가 실제로 결합하는 것으로 관찰된 위치를 대규모 출판 실험 모음에서 조회합니다. 특정 영역이나 유전자 근처의 peak을 factor, 종, 요소 유형으로 필터링해 볼 수 있습니다.
유전체·생물정보	roary-pangenome	annotation된 세균 genome들을 비교해 모두가 공유하는 유전자와 일부만 가진 유전자를 가려냅니다. 존재 여부 행렬, core 유전자 alignment, pan-genome reference를 생성합니다. 첫 실행에 몇 분의 준비 시간이 필요합니다.
유전체·생물정보	salmon-rna-quantification	genome에 정렬하지 않고 전사체와 유전자 발현을 정량합니다. transcriptome index에 read를 매칭해 몇 분 만에 끝내고 서열과 GC 편향을 보정합니다. 훨씬 빠르지만 들여다볼 alignment가 남지 않습니다.
유전체·생물정보	samtools-bam-processing	alignment 파일을 정렬·인덱싱·필터링하고 요약합니다. read를 정렬한 뒤 무언가를 콜하기 전의 단계입니다. duplicate를 표시하고 여러 run을 병합하며 depth와 alignment 통계를 보고합니다.
유전체·생물정보	scanpy-scrna-seq	단일세포 RNA 데이터를 표준 경로로 처리합니다. 품질 관리, 정규화, 변동 유전자 선택, 차원 축소, 이웃 그래프, 클러스터링, UMAP을 거쳐 각 클러스터를 규정하는 marker를 찾습니다.
유전체·생물정보	scikit-bio	OTU 또는 ASV count 테이블로 미생물 군집의 다양성을 측정합니다. 샘플 내·샘플 간 다양성을 계통수 유무에 따라 모두 계산하고, 그룹 간 차이가 실제로 있는지 검정하며 좌표화 플롯을 함께 제공합니다. 거리 행렬로 계통수를 만들 수도 있습니다.
유전체·생물정보	scvi-tools-single-cell	심층 생성 모델로 단일세포 데이터를 모델링합니다. batch 보정, 준지도 annotation, RNA와 표면 단백질 동시 분석, reference로의 전이를 불확실성과 함께 제공합니다. 선형 보정보다 무겁지만 더 유연합니다. 약 5만 세포 미만 데이터셋에 가장 적합하며 첫 실행에 몇 분의 준비 시간이 필요합니다.
유전체·생물정보	single-cell-annotation-guide	시작하기 전에 클러스터 라벨링 방식을 정합니다. 대표 marker로 이름을 붙일지, reference에서 라벨을 옮겨올지, 둘 다 해보고 서로 대조할지를 다룹니다. 조직 매칭, doublet, 이름 붙이기 어려운 클러스터도 다룹니다.
유전체·생물정보	snpeff-variant-annotation	각 variant의 기능적 효과를 예측합니다. 심각도, 영향받는 유전자와 전사체, 아미노산 변화를 제시한 뒤 목록을 걸러내고 알려진 임상적 의의를 덧붙입니다. 첫 실행에는 genome annotation database를 내려받는 데 몇 분이 걸립니다.
유전체·생물정보	star-rna-seq-aligner	RNA 시퀀싱 read를 splice junction을 가로질러 정렬하고 새로운 junction도 찾습니다. 민감도를 높이는 2차 실행을 선택할 수 있고, sorted alignment와 junction 테이블, 요청 시 유전자별 count를 반환합니다. alignment 자체가 필요할 때 쓰는 경로입니다. 작은 genome에 적합하며 사람이나 마우스 genome index는 여기서 만들기엔 너무 큽니다.
유전체·생물정보	ucsc-genome-browser	백여 개 assembly에 걸쳐 특정 영역의 서열, 유전자 모델, annotation track을 가져옵니다. assembly가 제공하는 경우 종간 보존성 점수도 함께 제공합니다. 브라우저가 보여주는 것을 데이터로 받고 싶을 때 쓰는 경로입니다.
유전체·생물정보	vcf-variant-filtering	variant 파일이 아직 필터링되지 않았는지 확인하고, 요약을 계산하기 전에 품질 기준을 적용합니다. 그래야 count와 전이/전환 비율을 raw call에서 읽는 일을 막을 수 있습니다. 필터링하지 말아야 할 때도 알려줍니다.
구조생물학·신약탐색	admet	SMILES로부터 저분자의 ADME/T 프로파일을 예측합니다. 용해도, 투과도, 뇌 투과, P450과 hERG 위험, microsomal stability, pKa, LogD, drug-likeness를 다룹니다. 분자 자체를 프로파일링할 뿐, 특정 표적에 대한 결합력은 알려주지 않습니다.
구조생물학·신약탐색	aizynthfinder-retrosynthesis	목표 분자에서 거꾸로 알려진 반응 유형을 따라가며 구매 가능한 building block에 도달할 때까지 합성 경로를 탐색하고, 찾은 경로를 길이와 재고 보유 출발물질 수로 순위를 매깁니다. 반응 조건과 수율은 예측하지 않으며, 경로를 찾지 못했다고 해서 합성이 불가능하다는 뜻은 아닙니다.
구조생물학·신약탐색	alphafold-database-access	AlphaFold가 이미 예측해 둔 2억 개 단백질 구조를 UniProt entry로 가져옵니다. 어느 부분을 신뢰할 수 있는지 알려주는 잔기별·쌍별 신뢰도 점수가 함께 제공됩니다. 실험 구조가 아니라 예측 구조입니다.
구조생물학·신약탐색	chembl-database-bioactivity	ChEMBL에서 측정된 bioactivity를 가져옵니다. 표적에 대한 화합물의 IC50, Ki, EC50 값을 조회해 무엇이 표적을 억제하는지 찾거나, 시리즈를 구성하거나, 약물의 작용 기전과 적응증을 확인할 수 있습니다.
구조생물학·신약탐색	clinicaltrials-database-search	등록된 임상시험을 질환, 약물, phase, 스폰서, 지역으로 검색하고 등록번호로 전체 레코드를 가져옵니다. 누가 무엇을 시험하고 있고 어디까지 진행됐는지 추적할 때 사용합니다.
구조생물학·신약탐색	dailymed-database	약물의 공식 FDA 라벨을 조회합니다. 승인된 적응증, 용법, 경고와 이상반응, 포장 정보를 제공합니다. 시판 후 보고가 아니라 라벨 문구 자체입니다.
구조생물학·신약탐색	datamol-cheminformatics	합리적인 기본값이 미리 설정된 상태로 화학 구조를 정리하고 비교합니다. 표준화, descriptor와 fingerprint 계산, 군집화, 다양성 기반 부분집합 선택, scaffold와 fragment 분해를 지원합니다.
구조생물학·신약탐색	ddinter-database	두 약물이 상호작용하는지, 얼마나 심각한지, 어떤 기전인지, 임상적 권고가 무엇인지 조회합니다. 승인 약물 전반에 걸쳐 수십만 건의 상호작용 쌍을 다룹니다.
구조생물학·신약탐색	emdb-database	cryo-EM density map과 거기에 맞춰진 원자 모델을 조회합니다. 각 entry의 해상도, 방법, 생물종, 시료 정보와 map 다운로드 위치를 제공합니다. 좌표만 필요하면 다른 리소스를 사용합니다.
구조생물학·신약탐색	fda-database	약물이 시판된 이후 FDA가 기록한 내용을 검색합니다. 이상반응 보고(대체로 2004년 이후), 리콜과 제재 조치를 약물, 성분, 반응 용어로 검색할 수 있고 약물 라벨도 가져올 수 있습니다. 보고 건수는 발생률이 아니라 자발적 보고를 반영합니다.
구조생물학·신약탐색	gtopdb-database	알려진 ligand가 수용체에 어떻게 작용하는지 조회합니다. 결합 친화도, agonist인지 antagonist인지, 측정에 사용된 생물종을 약리학계의 큐레이션된 레퍼런스에서 확인합니다.
구조생물학·신약탐색	mdanalysis-trajectory	주요 시뮬레이션 패키지로 생산된 분자동역학 trajectory를 분석합니다. RMSD, 잔기별 요동, 회전반경, contact map, 수소결합을 계산하며 관심 있는 원자를 유연하게 선택할 수 있습니다.
구조생물학·신약탐색	mdtraj-trajectory-analysis	분자동역학 trajectory에서 표준 지표를 계산합니다. 시간에 따른 RMSD, 회전반경, 잔기별 요동, 잔기 contact map, Ramachandran plot용 backbone 비틀림, 8상태 secondary structure를 제공합니다.
구조생물학·신약탐색	medchem	화합물 목록을 추진할 만한 것만 남도록 걸러냅니다. Lipinski 같은 drug-likeness 규칙과, 빈번한 위양성 히트·까다로운 화학을 짚어내는 PAINS 같은 구조 경고를 사용하며, 필터를 자체 기준에 맞게 조합할 수 있습니다.
구조생물학·신약탐색	molfeat-molecular-featurization	분자를 모델이 학습할 수 있는 수치 feature로 바꿉니다. fingerprint, 계산 descriptor, 사전학습 화학 embedding, pharmacophore를 여러 도구 대신 하나의 인터페이스로 제공합니다. 첫 실행에는 머신러닝 라이브러리 설치에 몇 분이 걸리고, 사전학습 embedding은 모델 가중치도 내려받습니다.
구조생물학·신약탐색	opentargets-database	여러 출처의 근거를 하나의 수치로 모은 Open Targets 점수로 표적과 질환의 연관성을 보고합니다. 해당 표적을 겨냥한 기존 약물과 안전성·tractability에 대해 알려진 내용도 함께 제공합니다.
구조생물학·신약탐색	pdb-database	실험적으로 규명된 단백질 구조를 검색하고 내려받습니다. 텍스트, 서열, 3D 유사도로 찾을 수 있고, 각 구조의 품질을 판단할 수 있는 메타데이터가 함께 제공됩니다.
구조생물학·신약탐색	pignet	이미 가지고 있는 pose에서 ligand가 얼마나 강하게 결합하는지를 kcal/mol 단위로 점수화하고, 물리적 에너지 항목별로 나눠 보여줍니다. pose의 순위를 매길 뿐, pose를 생성하지는 않습니다.
구조생물학·신약탐색	pubchem-compound-search	화합물을 이름, 식별자, 구조, 분자식으로 조회해 물성을 반환합니다. 분자량, LogP, polar surface area, 수소결합 개수를 제공하고, 컬렉션 전체에 대해 유사도 또는 부분구조 검색을 수행합니다.
구조생물학·신약탐색	pytdc-therapeutics-data-commons	신약 개발용으로 큐레이션된 모델 학습 가능한 데이터셋을 제공합니다. 흡수와 독성, 약물-표적 및 약물-약물 상호작용을 다루며, split과 지표가 이미 표준화돼 있어 벤치마크 수치를 서로 비교할 수 있습니다.
구조생물학·신약탐색	rdkit-chemdraw-cdxml	ChemDraw 파일을 읽고 씁니다. 구조 toolkit이 보통 잃어버리는 부분까지 다룹니다. 반응 화살표, 덧셈 기호, scheme 단계, 텍스트 라벨이 왕복 변환에서 살아남습니다. ChemDraw에서 직접 열어보는 검증은 하지 않았으므로 파일마다 렌더링된 PNG 미리보기가 함께 제공됩니다.
구조생물학·신약탐색	rdkit-cheminformatics	화학 구조를 세밀하게 다룹니다. 파싱, descriptor와 fingerprint 계산, 기준 물질과의 유사도 순위, 다양성 기반 군집화, 부분구조 검색, drug-likeness 판정, 반응 열거, 좌표 생성을 지원합니다. 기본값으로 부족할 때 선택하는 정밀 경로입니다.
구조생물학·신약탐색	sar-analysis	화합물의 구조와 활성을 연결합니다. 유사체 시리즈의 공통 scaffold를 찾아 각 화합물을 R-group으로 나누고, 위치별로 어떤 치환기가 potency를 올리고 내리는지 보여줍니다. 유사체 4개 이상의 SMILES와 potency 테이블이 필요하며, potency heatmap이 붙은 R-group 테이블을 반환합니다.
구조생물학·신약탐색	unichem-database	화합물 식별자를 주요 화학 데이터베이스 간에 변환합니다. 구조 키로 어떤 출처 식별자가 존재하는지 찾아주고, 같은 연결성을 가진 화합물도 찾습니다.
구조생물학·신약탐색	zinc-database	ZINC 라이브러리에서 구매 가능하거나 주문 제작되는 화합물을 조회합니다. 식별자로 물질을 찾거나, 구조를 해당 entry로 연결하거나, 어떤 카탈로그가 취급하는지 확인하고, 도킹용 세트를 구성합니다.
단백질 설계·구조예측	antibody-design	항체 또는 nanobody 캠페인을 처음부터 끝까지 수행합니다. CDR backbone 생성, 서열 설계, 구조 예측을 거쳐 통과한 후보를 결합 신뢰도와 구조 self-consistency 기준으로 순위를 매겨 보고합니다. CDR을 이식할 항체 또는 nanobody framework 구조가 필요합니다.
단백질 설계·구조예측	kfold	단백질과 ligand, DNA, RNA, 또는 다른 단백질로 이뤄진 복합체의 3D 구조를 예측합니다. 단백질-ligand 복합체에 한해 결합 친화도도 함께 추정해 하나의 표적에 대해 ligand 순위를 매길 수 있습니다. 설계한 서열을 접어 의도한 형태가 나오는지 확인하는 데도 씁니다.
단백질 설계·구조예측	kfold-refine	예측된 구조를 정리해 국소 기하가 물리적으로 타당해지도록 만듭니다. ligand의 화학을 SMILES와 대조해 확인하고, 예측 구조에서 크게 벗어나지 않으면서 원자 충돌과 떨어진 ligand 기하를 완화합니다. 도킹이나 재점수 전에 돌릴 만하지만, 잘못된 pose를 고쳐주지는 않고 기하만 바로잡습니다.
단백질 설계·구조예측	ligandmpnn	결합된 ligand, 금속, 핵산 주변의 서열을 설계합니다. 맞닿는 대상에 어울리는 잔기를 고릅니다. 효소 활성부위, 금속 결합 부위, 단백질-DNA/RNA 계면에 쓰이며, 전체 원자 수준의 곁사슬 모델은 선택 사항입니다.
단백질 설계·구조예측	peptide-design	선형 또는 머리-꼬리 환형 펩타이드를 표적 binder나 단독 형태로 설계하고 구조적으로 검증합니다. 환형 펩타이드를 접기 위해 필요한 추가 처리도 포함됩니다. 천연 아미노산만 사용합니다.
단백질 설계·구조예측	pocket-redesign	결합 포켓을 둘러싼 잔기만 재설계합니다. backbone을 고정하고 ligand를 제자리에 둔 채로 진행한 뒤, 재설계된 포켓이 여전히 ligand를 붙잡는지 확인합니다. 효소 활성부위와 기질 특이성 전환에 쓰입니다.
단백질 설계·구조예측	protein-design	de novo 설계 캠페인을 처음부터 끝까지 수행합니다. backbone 생성, 서열 설계, 그리고 어떤 설계가 버티는지 보기 위한 구조 예측을 거쳐 필터링을 통과한 후보를 보고합니다. binder, monomer, scaffold, oligomer를 대상으로 하며 항체는 항체 설계 워크플로우가 담당합니다.
단백질 설계·구조예측	proteinmpnn	주어진 backbone으로 안정하게 접히는 아미노산 서열을 설계합니다. 어느 chain과 위치를 재설계할지, 서열 다양성을 얼마나 샘플링할지를 제어할 수 있습니다.
단백질 설계·구조예측	rfantibody-diffusion	지정한 epitope를 겨냥하는 항체 또는 nanobody의 새 CDR loop backbone을 제공한 framework 구조 위에서 생성합니다. 생성된 backbone은 자리표시용 서열을 가지며, 서열 설계가 다음 단계입니다.
단백질 설계·구조예측	rfantibody-mpnn	항체 backbone 위의 CDR 서열을 설계하고 framework는 건드리지 않습니다. CDR backbone 생성 실행에서 나온 backbone이나, CDR 잔기가 annotation된 본인의 항체 구조에 적용할 수 있습니다.
단백질 설계·구조예측	rfdiffusion	설계 목표에 맞는 새 단백질 backbone을 생성합니다. 표적에 붙는 binder, monomer, motif scaffold, 대칭 oligomer, 환형 펩타이드를 다룹니다. 형태만 만들며 서열은 다음 단계에서 정해집니다.
단백질체·대사체	interpro-database	단백질이 어떤 domain을 가지고 있고 어느 패밀리에 속하는지 조회합니다. 여러 분류 리소스를 하나의 답으로 모으고 각 패밀리의 분류학적 분포도 함께 보여줍니다. 기능을 모를 때 출발점으로 쓸 만하며, 새 서열이 아니라 이미 UniProt에 등록된 단백질을 대상으로 합니다.
단백질체·대사체	matchms-spectral-matching	제공한 reference library와 MS/MS 스펙트럼을 매칭해 대사체를 동정합니다. 주요 스펙트럼 형식을 가져와 peak을 정리하고 여러 방식으로 유사도를 점수화합니다. 미지의 peak에 이름을 붙일 때 씁니다.
단백질체·대사체	metabolomics-workbench-database	NIH가 공개하는 metabolomics 연구와 그 배경의 대사체 레퍼런스 레코드를 검색합니다. 연구를 찾거나, 화합물을 표준 명칭으로 연결하거나, precursor mass로 검색할 수 있습니다.
단백질체·대사체	pride-database	PRIDE proteomics 아카이브를 검색하고 내려받습니다. 생물종, 장비, 질환, 소프트웨어별 프로젝트와 그 메타데이터, raw 및 처리된 파일, 그리고 특정 단백질을 언급한 프로젝트를 찾을 수 있습니다.
단백질체·대사체	pyopenms-mass-spectrometry	proteomics나 비표적 metabolomics용 raw LC-MS/MS 데이터를 처리합니다. mzML 또는 mzXML을 읽고, 평활화와 peak picking을 거쳐, 샘플 간 feature를 검출·연결한 뒤, 별도 검색 엔진의 펩타이드 히트를 통제된 오류율로 필터링하고 단백질을 추론합니다. 제조사 raw 파일는 먼저 mzML로 변환해야 합니다.
단백질체·대사체	uniprot-protein-database	UniProt에서 유전자나 단백질 이름으로 단백질을 조회합니다. 서열, 기능에 대해 알려진 내용, 그리고 다른 리소스와 연결해 주는 식별자를 제공합니다.
시스템생물학·멀티오믹스	cellchat-cell-communication	cell type 라벨이 붙은 단일세포 발현 데이터로부터 어떤 세포 유형이 어떤 세포 유형에 신호를 보내는지 추론하고, 세포 그룹 쌍마다 ligand-receptor 쌍(사람 또는 마우스)의 순위를 매깁니다. 여기서는 CellChat 패키지 전체를 설치할 수 없어 pathway 수준 요약과 sender/receiver 역할 점수는 제공하지 않습니다.
시스템생물학·멀티오믹스	cobrapy-metabolic-modeling	genome-scale 모델을 통한 대사 flux를 예측합니다. 네트워크가 무엇을 만들 수 있는지, 어떤 유전자가 필수인지, knockout이 어떤 영향을 주는지를 kinetic 상수 없이 제약 조건만으로 계산합니다. 해당 생물의 기존 모델(직접 만든 것 또는 BiGG 같은 공개 컬렉션의 것)이 필요하며, 결과는 선택한 objective와 배지에 따라 달라집니다.
시스템생물학·멀티오믹스	kegg-pathway-analysis	차등 발현 결과에 대한 KEGG pathway enrichment를 안내합니다. over-representation과 순위 기반 검정 중 무엇을 고를지, 상향과 하향 조절을 합치지 않고 나눠서 볼 지, 결과를 과장 없이 읽는 방법을 다룹니다.
시스템생물학·멀티오믹스	lamindb-data-management	각 데이터셋이 어디서 왔고 무엇을 했는지 추적합니다. artifact를 버전관리하고 단계 간 계보를 기록하며 표준 ontology에 대조해 검증하므로, 분석 속 각 결과를 원천 데이터까지 되짚을 수 있습니다. 기록은 해당 분석 안에만 남고 다른 분석으로 이어지지는 않습니다.
시스템생물학·멀티오믹스	libsbml-network-modeling	표준 교환 형식으로 생물학적 네트워크 모델을 만들고 편집하고 검증합니다. 반응과 그 kinetics, species, rule, flux balance용 확장을 다루어 모델이 도구 간에 온전히 이동하게 합니다. BioModels 등의 기존 출판 모델을 갱신하거나 형식 버전 간 변환도 가능합니다.
시스템생물학·멀티오믹스	mofaplus-multi-omics	같은 샘플에서 측정한 여러 오믹스 레이어를 관통하는 공통 변동축을 찾습니다. 이를 factor로 분해한 뒤, 각 factor가 레이어별로 설명하는 분산과 그 factor가 무엇과 함께 움직이는지를 보고합니다.
시스템생물학·멀티오믹스	muon-multiomics-singlecell	같은 세포에서 측정한 둘 이상의 측정값을 함께 분석합니다. RNA와 chromatin accessibility, 또는 RNA와 표면 단백질을 다루며, 하나의 embedding으로 합치기 전에 각 modality의 처리를 분리해 유지합니다.
시스템생물학·멀티오믹스	omics-analysis-guide	질문이 실제로 어느 수준의 오믹스 분석을 필요로 하는지 판단합니다. 검증된 파이프라인인지, 표준 워크플로우인지, 사례에 맞춰 만든 방법인지를 구분합니다. 이미 정량화된 bulk RNA-seq과 proteomics 데이터를 대상으로 샘플 QC, 결측값 처리, 검정 선택, 위양성 발견률 통제를 안내합니다.
시스템생물학·멀티오믹스	reactome-database	큐레이션된 생물학적 pathway를 조회하고 유전자 목록이 그중 어느 pathway에 enrich됐는지 검정합니다. pathway 계층 구조와 다른 명명 체계와의 상호 참조도 제공합니다.
시스템생물학·멀티오믹스	string-database-ppi	단백질 주변의 알려진 및 예측된 상호작용을 가져와 네트워크를 만들고, 해당 집합이 우연보다 더 많이 상호작용하는지 검정합니다. 점수는 실험, 큐레이션된 데이터베이스, 텍스트 마이닝을 결합한 값입니다.
세포생물학·이미징	cellpose-cell-segmentation	현미경 이미지에서 개별 세포와 핵의 윤곽을 잡습니다. 재학습 없이 염색법과 modality를 넘나드는 사전학습 모델을 사용하며, 측정이나 추적에 쓸 수 있는 label mask를 반환합니다. 첫 실행에 몇 분의 준비 시간이 필요하고, 이미지가 많거나 3D stack이면 처리가 느립니다.
세포생물학·이미징	flowio-flow-cytometry	flow cytometry 데이터 파일을 읽고 씁니다. event를 채널 메타데이터와 함께 배열로 넘겨주고 테이블로 내보냅니다. 파일 자체를 다루는 도구이며, gating과 compensation은 별도 단계입니다.
세포생물학·이미징	opencv-bioimage-analysis	바이오 이미지를 빠르게 처리합니다. 색공간 변환, 형태학 연산, 윤곽선과 blob 검출, 템플릿 매칭, optical flow를 대량 배치와 time-lapse 영상이 요구하는 속도로 수행합니다.
세포생물학·이미징	pyimagej-fiji-bridge	스크립트로 ImageJ와 Fiji를 구동해 기존 매크로와 플러그인을 무인으로 돌리고 결과를 배열로 받습니다. 랩 프로토콜이 이미 Fiji 매크로로 작성돼 있을 때 선택하는 경로입니다. 첫 실행에 Fiji 다운로드로 몇 분이 걸리며, 화면 클릭이나 대화상자를 기다리는 매크로는 실행할 수 없습니다.
세포생물학·이미징	scikit-image-processing	현미경 이미지를 필터링하고 분할하고 측정합니다. thresholding, watershed, active contour와 면적·강도 같은 region property를 지원합니다. 이미지 안의 대상을 정량화하는 범용 경로입니다.
세포생물학·이미징	trackpy-particle-tracking	영상에서 입자를 프레임별로 추적해 궤적으로 이어붙입니다. 형광 스팟, vesicle, 세포 전체를 대상으로 하며, 평균제곱변위를 계산해 확산계수를 구합니다. 2D와 3D 모두 지원하며, 확산계수를 물리 단위로 보고하려면 픽셀 크기와 프레임률이 필요합니다.
분자생물학	plannotate-plasmid-annotation	plasmid 서열에서 feature를 찾습니다. promoter, terminator, 저항성 유전자, 복제 기점, tag를 찾아 인터랙티브 맵이 들어있는 annotation된 GenBank 파일로 반환합니다. 원형 서열을 올바르게 읽어 선형 insert뿐 아니라 벡터 전체도 처리됩니다. 첫 실행에는 도구 설치와 feature database 다운로드에 몇 분이 걸립니다.
분자생물학	sgrna-design-guide	CRISPR 실험용 sgRNA를 고릅니다. 문헌에서 이미 검증된 가이드를 우선하고, 다음으로 사전 계산된 genome-wide 설계를 쓰며, 둘 다 없는 표적에만 새로 설계합니다. 새로 설계한 가이드는 서열 규칙만 따르며 genome-wide off-target 검사는 포함되지 않습니다.
분자생물학	viennarna-structure-prediction	RNA 서열이 스스로 접히는 방식을 예측합니다. 최소 자유에너지 2차 구조와 각 염기쌍의 신뢰도, 그리고 두 RNA가 서로 쌍을 이루는 방식을 다룹니다. siRNA와 sgRNA 표적화, 특정 부위의 접근 가능 여부 확인을 포함합니다.
의료영상	histolab-wsi-processing	whole-slide 병리 이미지를 분석에 맞게 준비합니다. 조직을 찾아 타일로 자르고 빈 타일과 쓸 수 없는 타일을 버립니다. 슬라이드 아카이브를 학습 세트로 바꾸거나 스캔 배치를 먼저 선별할 때 사용합니다. 첫 실행에 몇 분의 준비 시간이 필요합니다.
의료영상	imaging-data-commons	NCI가 공개하는 암 영상 컬렉션을 검색하고 선택한 것을 내려받습니다. 영상의학과 병리 연구를 컬렉션, 환자, 연구, 시리즈 단위로 탐색할 수 있고 계정은 필요 없습니다. 컬렉션 전체는 수백 기가바이트 이상이 될 수 있어 여기서 통째로 받기엔 너무 크므로 필요한 시리즈를 골라 받아야 합니다.
의료영상	pydicom-medical-imaging	CT, MRI, X-ray, 초음파 DICOM 영상을 읽고 씁니다. 픽셀을 배열로 다루고 태그를 편집하며 windowing과 시리즈를 3D volume으로 쌓는 작업을 지원합니다. 주요 환자 식별 헤더 필드는 제거하지만 검사일, private 태그, 영상에 박힌 텍스트는 남아 완전한 비식별화는 아닙니다.
의료영상	simpleitk-image-registration	시점이나 장비가 다른 3D 의료 영상을 정렬하고 그 안의 영역을 분할합니다. 강체 정합부터 비강체 정합까지 지원하고 주요 의료 영상 형식 간 변환도 함께 제공합니다.
생물통계	pymc-bayesian-modeling	베이지안 모델을 피팅해 답을 불확실성과 함께 제시합니다. 직접 설정하는 prior, 사후 샘플링, 수렴 진단, 모델 비교를 지원합니다. 표본이 작거나, 계층 모델로 다뤄야 할 그룹·중첩 데이터이거나, 사전 지식을 반영해야 하는 분석에 적합합니다.
생물통계	scikit-survival-analysis	일부 대상이 사건에 도달하지 않는 경우의 사건 발생 시간을 모델링합니다. 중도절단 데이터에 Cox 모델, survival forest, 부스팅을 적용하고 모델이 위험도를 얼마나 잘 순위화하는지 평가합니다. Kaplan-Meier와 경쟁위험도 다룹니다.
생물통계	statistical-analysis	데이터에 어떤 통계 검정이 필요한지 정하고, 그 검정이 기대는 가정을 확인하고, 효과 크기와 검정력을 포함해 APA 형식으로 결과를 보고합니다. 빈도론적 검정과 베이지안 대안을 모두 다룹니다.
생물통계	statsmodels-statistical-modeling	고전적 통계 모델을 피팅하고 각 항이 유의미한지 알려줍니다. 일반 및 일반화 회귀, 로지스틱과 count 모델, 시계열을 다루며 그에 따르는 진단과 가설검정을 함께 제공합니다.
과학 컴퓨팅·데이터	aeon	시계열, 센서 trace, 파형처럼 시간 순서가 있는 데이터를 분류·군집화·분할하고, 연속값을 예측하거나 feature를 추출합니다. 패널 데이터, 다채널, 길이가 서로 다른 시계열도 처리합니다.
과학 컴퓨팅·데이터	astropy-astronomy	천문 데이터를 다룹니다. 차원을 갖는 단위, 천구 좌표계 간 변환, 관측 파일과 테이블, 우주론적 거리, 정밀한 천문 시간 척도를 지원합니다.
과학 컴퓨팅·데이터	dask-parallel-computing	메모리에 담기지 않는 연산을 청크로 나눠 가용 코어에 분산합니다. 기존에 쓰던 dataframe과 array의 병렬 버전을 제공합니다. 여기서는 클러스터가 아니라 단일 머신에서 동작합니다. 데이터가 메모리에 더 이상 들어가지 않을 때 사용합니다.
과학 컴퓨팅·데이터	degenerate-input-filtering	통계 검정을 망가뜨리거나 조용히 오염시킬 입력을 검정 전에 걸러냅니다. 상수 feature, 분산이 0인 컬럼, 전부 결측인 컬럼, 검출된 샘플 수가 너무 적은 feature, 빈 파일, 서열이 하나뿐인 alignment를 제거하고, 몇 개를 왜 제거했는지 보고합니다.
과학 컴퓨팅·데이터	exploratory-data-analysis	처음 보는 데이터 파일을 열어 그것이 무엇이고, 품질이 어떤지, 무엇을 할 수 있는지 파악합니다. 테이블, 서열, 이미지, 스펙트럼, 오믹스 데이터를 다룹니다.
과학 컴퓨팅·데이터	geopandas-geospatial	지리 데이터를 분석하고 지도에 그립니다. 공간 join과 overlay, 거리와 면적 계산, 좌표계 변환, choropleth 또는 인터랙티브 지도를 지원합니다.
과학 컴퓨팅·데이터	nan-safe-correlation	결측이 있는 수천 개 feature를 상관분석합니다. 조용히 틀린 답을 내는 행렬 지름길을 쓰지 않고, 필요한 곳에서 pairwise로 삭제하면서도 큰 입력에서 빠르게 동작합니다. 각 결과에는 사용 가능한 샘플 수가 함께 붙고, 10개 미만인 feature는 건너뜁니다.
과학 컴퓨팅·데이터	neb-irc-activation-energy	반응의 전이상태를 찾아 활성화 장벽을 보고합니다. 최소 에너지 경로를 탐색하고 안장점을 최적화한 뒤 intrinsic reaction coordinate로 확인합니다. 에너지 프로파일과 모드 애니메이션을 반환합니다. 장벽은 빠른 준경험적 방법에서 나온 근사치로, 유사 반응의 순위를 매기는 데 적합하고 약 150원자 규모까지 실용적입니다.
과학 컴퓨팅·데이터	networkx-graph-analysis	네트워크를 분석합니다. 여러 중심성 지표로 어떤 노드가 hub인지, 최단 경로가 어떤지, 어떤 노드가 커뮤니티로 묶이는지를 확인합니다. 수만 개 노드 규모까지 적합합니다.
과학 컴퓨팅·데이터	neurokit2	생리 신호 기록을 처리해 표준 지표를 추출합니다. 심박수와 그 변이도, 뇌파 복잡도와 파워, 근육 활성 시작 시점, 피부 전도 반응을 다룹니다.
과학 컴퓨팅·데이터	nextflow-workflow-engine	노트북, 컴퓨팅 클러스터, 클라우드에서 동일하게 돌아가는 다단계 파이프라인을 만들거나 nf-core 커뮤니티 파이프라인을 수정해 씁니다. 각 단계는 자체 컨테이너 안에서 실행됩니다. 여기서는 컨테이너 없이 직접 실행되며, 클러스터와 클라우드 실행은 자체 인프라에서 이뤄집니다. 환경 간 이식성이 필요할 때 선택하는 경로입니다.
과학 컴퓨팅·데이터	polars-dataframes	메모리에 들어가는 범위에서 큰 테이블을 빠르게 다룹니다. 수 기가바이트 규모 테이블의 필터링, 그룹핑, join, pivot을 기존 도구가 느려지는 지점에서도 처리합니다. 메모리를 넘어서는 데이터는 다른 방식이 필요합니다.
과학 컴퓨팅·데이터	pyhealth	전자의무기록으로 예측 모델을 만듭니다. 사망, 재입원, 진단, 약물 추천을 다루며, 사용자가 제공하는 MIMIC 등 표준 임상 데이터셋과 그가 쓰는 의료 코딩 체계를 처리합니다. 첫 실행에 수 분의 준비 시간이 필요합니다.
과학 컴퓨팅·데이터	pymatgen	결정 구조와 재료 물성을 분석합니다. 구조를 읽고 생성하며, Materials Project에서 계산된 물성을 가져오고, 상도와 Pourbaix 도표, 모사 회절 패턴을 다룹니다. 상도와 Pourbaix 도표가 의존하는 Materials Project 조회에는 본인의 API 키가 필요합니다.
과학 컴퓨팅·데이터	pymoo	서로 충돌하는 여러 목표를 동시에 최적화합니다. 예를 들어 활성은 올리면서 독성은 낮추는 식으로, Pareto front를 반환해 강제된 타협안 하나가 아니라 절충 관계 전체를 보여줍니다. 각 목표를 점수화하는 함수나 모델은 사용자가 제공해야 하며, 활성이나 독성을 직접 예측하지는 않습니다.
과학 컴퓨팅·데이터	scikit-learn-machine-learning	표준 머신러닝 모델을 학습하고 평가합니다. 분류, 회귀, 군집화, 차원 축소를 다루며 전처리와 튜닝을 하나의 파이프라인으로 엮어줍니다.
과학 컴퓨팅·데이터	shap-model-explainability	모델이 그렇게 예측한 이유를 개별 feature의 기여도로 설명하고, 전체적으로 어떤 feature가 중요한지 순위를 매깁니다. 트리, 딥러닝, 선형, 블랙박스 모델에 모두 작동하며, 딥러닝 모델은 첫 사용 시 몇 분의 추가 준비가 필요합니다.
과학 컴퓨팅·데이터	simpy-discrete-event-simulation	작업이 대기열을 이루고 자원이 제한된 과정을 시뮬레이션합니다. 랩의 처리량, 샘플 파이프라인, 서비스 데스크 등을 대상으로, 실제로 무언가를 바꾸기 전에 병목을 찾을 수 있습니다.
과학 컴퓨팅·데이터	snakemake-workflow-engine	분석 단계를 입출력 파일 관계로 엮어 재현 가능한 파이프라인을 만듭니다. 모든 샘플에 같은 단계를 적용하고, 실행 순서와 병렬 가능한 지점을 알아서 정하며, 바뀛 부분만 다시 돌립니다. 파이프라인이 규칙 기반일 때 선택하는 경로입니다.
과학 컴퓨팅·데이터	sympy-symbolic-math	수치가 아니라 정확한 대수·미적분을 수행합니다. 미분, 적분, 극한, 방정식 풀이, 행렬, 미분방정식을 다루고 결과를 실행 가능한 코드로 바꿔줍니다.
과학 컴퓨팅·데이터	umap-learn	수천 개 feature를 가진 데이터를 플롯할 수 있는 2·3차원으로 압축합니다. 국소 이웃 관계와 전체적인 형태를 함께 유지합니다. 지도학습 및 밀도 인지 변형도 사용할 수 있습니다.
과학 컴퓨팅·데이터	uspto-database	미국 특허 데이터를 발명자, 양수인, 분류, 키워드로 검색합니다. 메타데이터, 초록, 청구항 수를 가져와 포트폴리오를 파악하거나 선행기술을 확인할 수 있습니다.
과학 컴퓨팅·데이터	vaex-dataframes	메모리에 편하게 올리기 어려운 큰 테이블을 디스크에서 조각내어 읽으며 처리합니다. 전체를 올리지 않고 집계·필터링·플롯을 수행합니다. 테라바이트급보다는 약 10 GB까지의 파일에 적합하며 첫 실행에 몇 분의 준비 시간이 필요합니다. 메모리에 들어가는 테이블은 더 빠른 선택지가 있습니다.
과학 컴퓨팅·데이터	zarr-python	큰 다차원 배열을 압축된 청크로 저장해 필요한 slice만 읽을 수 있게 합니다. 로컬 디스크나 클라우드 스토리지에서 나머지를 건드리지 않고 접근합니다.
데이터 시각화	matplotlib-scientific-plotting	모든 요소를 제어할 수 있는 publication 품질의 figure를 그립니다. 선, 산점도, 막대, heatmap, 등고선, 3D를 다중 panel 레이아웃으로 구성해 PNG·PDF·SVG로 내보냅니다. 간편 도구보다 작성은 느리지만 못 하는 것이 없습니다.
데이터 시각화	molecular-visualization-3dmol	분자 구조를 브라우저에서 돌려볼 수 있는 독립 웹페이지로 만듭니다. stick, sphere, cartoon, surface 표현을 지원하고 trajectory나 진동 모드를 재생·속도 조절 컨트롤과 함께 애니메이션합니다. 파일 하나면 되고 뷰어를 설치할 필요가 없습니다.
데이터 시각화	multipanel	여러 플롯을 panel A, B, C가 붙은 저널 제출용 figure 하나로 조립합니다. 모든 panel을 하나의 통일된 레이아웃으로 다시 그리거나, 이미 렌더링한 이미지를 하나의 캔버스에 합성합니다. 벡터 PDF와 고해상도 PNG로 내보냅니다.
데이터 시각화	omics-plotting	오믹스 figure의 공통 스타일과 즉시 쓸 수 있는 레시피를 제공합니다. volcano, MA, heatmap, GSEA, box와 violin, PCA와 UMAP 산점도, Kaplan-Meier, Manhattan, forest를 다루어 한 분석의 모든 figure가 하나의 체계처럼 보이게 합니다.
데이터 시각화	plotly-interactive-plots	브라우저에서 hover·확대·이동할 수 있는 차트를 만듭니다. 커서 아래 유전자 이름을 보여주는 volcano plot, 탐색 가능한 dose-response, 발현 heatmap 등을 지원합니다. 웹페이지 또는 정적 이미지로 내보냅니다.
데이터 시각화	scientific-visualization	플롯을 그리기 전에 결과를 어떻게 보여줄지 정하도록 돕습니다. 데이터에 어떤 차트가 맞는지, 어떤 색이 인쇄와 색각 이상에서도 살아남는지, panel을 어떻게 구성할지, 흔한 실수는 무엇인지를 다룹니다.
데이터 시각화	seaborn-statistical-plots	한·두 줄로 통계 요약 그림을 그립니다. 분포, box와 violin plot, 회귀 적합, 상관 heatmap, facet 그리드를 지원하며 집계와 신뢰구간을 대신 계산해 줍니다.
데이터 시각화	statistical-significance-annotation	비교 플롯에 저널이 기대하는 방식으로 유의성 표시를 넣습니다. ns부터 별표 네 개까지를 사용하고, 브라켓을 올바른 쌍 위에 배치하며, 기준값을 legend에 명시합니다.
논문·문서 작성	cancer-research-figure-guide	AACR의 Cancer Research 요구사항에 맞춰 figure를 점검합니다. 300~1200 DPI, EPS·TIFF·AI 형식, Ai/Aii 같은 계층적 panel 라벨, figure와 표 개수 제한을 확인합니다. legend에는 반복 횟수를 명시해야 합니다.
논문·문서 작성	cell-figure-guide	Cell Press 요구사항에 맞춰 figure를 점검합니다. 300~1000 DPI, TIFF 또는 PDF, RGB 컬러, Avenir 또는 Arial 서체, 대문자 panel 라벨을 확인하며, 이 분야에서 가장 엄격한 축에 드는 이미지 조작 정책이 적용됩니다.
논문·문서 작성	citation-management	주요 레퍼런스 매니저를 비교하고, 저널이 요구하는 인용 스타일(APA, Vancouver, ACS, Nature 등)을 적용하는 방법과 Word·Google Docs·LaTeX 전반에서 DOI를 일관되게 유지하는 방법을 안내합니다.
논문·문서 작성	clinical-decision-support-documents	임상 의사결정 지원 문서를 작성합니다. biomarker로 층화한 코호트 분석과 1A부터 2C까지의 GRADE 근거 등급을 담은 치료 리포트를 만들며, hazard ratio와 신뢰구간, 생존을 리뷰어가 기대하는 방식으로 제시합니다. 코호트 분석에는 임상시험 또는 코호트 데이터가 필요하며, 모든 문서는 개별 치료 계획이 아니라 환자군을 다룹니다.
논문·문서 작성	elife-figure-guide	eLife 요구사항에 맞춰 figure를 점검합니다. TIFF·EPS·PDF 형식, 1800×900 픽셀의 striking image, figure supplement 명명 규칙을 확인합니다. 선택적 보정은 형식 실수가 아니라 연구 부정행위로 간주됩니다.
논문·문서 작성	general-figure-guide	완성된 플롯에서 figure가 반려되는 원인을 점검합니다. 겹치는 라벨, 잘린 텍스트, 빠진 축이나 범례, 과밀한 데이터를 확인하고 해상도와 형식이 저널의 일반적 기대에 맞는지 검토합니다.
논문·문서 작성	hypothesis-generation	관찰 하나를 실제로 검증 가능한 3~5개의 경쟁 가설로 바꿉니다. 각 가설이 제시하는 기전, 가설끼리 갈라내는 예측, 그리고 그 사이를 판가름할 실험을 함께 제시합니다. 하나를 다듬는 것이 아니라 여러 경쟁 가설을 서로 저울질합니다.
논문·문서 작성	lancet-figure-guide	The Lancet 요구사항에 맞춰 figure를 점검합니다. 120% 크기에서 300 DPI, 편집 가능한 PowerPoint·Word·SVG, 75mm 또는 154mm 컬럼 폭, Times New Roman을 확인합니다. The Lancet은 figure를 자체적으로 다시 그립니다.
논문·문서 작성	latex-research-posters	표준 포스터 템플릿을 기반으로 LaTeX 학회 포스터를 만듭니다. 레이아웃, 타이포그래피, 색상, figure 배치, 접근성을 다룹니다. 포스터를 PDF로 컴파일하고 LaTeX 소스를 함께 남겨 계속 편집할 수 있게 합니다.
논문·문서 작성	literature-review	문헌 고찰을 계획하고 수행합니다. PRISMA 프로토콜, PubMed에서의 기록된 검색과 Scopus·Embase·Web of Science에서 돌릴 수 있는 대응 검색식, 선별과 추출, 그리고 서술·주제별·메타분석 형태의 종합까지 다룹니다. 출판 가능한 체계적 고찰에는 여전히 독립된 사람 선별자가 최소 두 명 필요합니다.
논문·문서 작성	nature-figure-guide	Nature 요구사항에 맞춰 figure를 점검합니다. 최소 300 DPI, AI·EPS·TIFF 형식, RGB 컬러, Helvetica 또는 Arial 서체, 소문자 panel 라벨을 확인하고, image integrity 정책이 어떤 이미지 보정까지 허용하는지 설명합니다.
논문·문서 작성	nejm-figure-guide	NEJM 요구사항에 맞춰 figure를 점검합니다. 300~1200 DPI와 AI·EPS·SVG의 편집 가능한 벡터 아트를 확인하고, 환자 식별 정보를 제거하도록 안내합니다. NEJM은 의학 일러스트를 자체 일러스트레이터가 제작하므로, 완성된 작품보다 스케치나 설명을 보내는 편이 낫습니다.
논문·문서 작성	peer-review-methodology	원고나 연구계획서를 리뷰어처럼 검토합니다. 첫인상, 섹션별 검토, 통계, 재현성, figure 무결성, 윤리, 글쓰기의 7단계로 나눠 진행하고 구조화된 리포트를 돌려줍니다.
논문·문서 작성	pnas-figure-guide	PNAS 요구사항에 맞춰 figure를 점검합니다. 300~1000 PPI, TIFF·EPS·PDF 형식, RGB 전용, Arial 또는 Helvetica 서체, 이탤릭 대문자 panel 라벨을 확인합니다. PNAS의 자동 이미지 스크리닝이 무엇을 보는지도 설명합니다.
논문·문서 작성	science-figure-guide	Science 요구사항에 맞춰 figure를 점검합니다. 최초 제출 시 150~300 DPI, 수정본은 최소 300 DPI, PDF·EPS·TIFF 형식, RGB 컬러, Myriad 또는 Helvetica 서체를 확인합니다. 조작 정책이 엄격해 gamma 조정까지도 신고해야 합니다.
논문·문서 작성	scientific-brainstorming	자유 연상이 아니라 정해진 방법론으로 연구 아이디어를 생성합니다. SCAMPER, 여섯 색깔 모자, 형태분석법, TRIZ, 생체모방을 활용하며, 막혔을 때인지 다듬는 단계인지에 따라 방법을 골라줍니다.
논문·문서 작성	scientific-critical-thinking	과학적 주장이 실제로 얼마나 가치 있는지 따져봅니다. 그 연구가 근거 위계에서 어디에 있는지, p-value 옆에서 효과 크기가 무엇을 뜻하는지, 무엇이 교란변수일 수 있는지, 설계가 어떤 편향을 열어두는지를 검토합니다.
논문·문서 작성	scientific-manuscript-writing	IMRAD 구조로 원고를 작성합니다. 목표 저널의 인용 스타일을 따르고, 연구 유형에 맞는 보고 체크리스트(CONSORT, STROBE, PRISMA, ARRIVE 등)에 맞춰 씁니다.
논문·문서 작성	scientific-schematics	그리기 전에 설명용 figure를 기획합니다. mechanism·pathway·workflow·graphical abstract 중 어떤 형식이 맞는지, 어떤 도구로 만들지, 색과 레이아웃이 의미를 어떻게 전달해야 하는지를 정리합니다.
논문·문서 작성	scientific-slides	학회 발표, 세미나, 학위논문 심사, 연구비 피칭에 맞춰 발표를 구성합니다. 각 슬라이드에 무엇을 담을지, 논지를 어떤 순서로 두어야 할지, 각 부분의 시간 배분은 어떻게 할지, 뒷자리에서도 데이터가 읽히게 하려면 어떻게 해야 할지를 다룹니다.
결과물 생성	hyperlab-generate-figure	모식도, pathway, graphical abstract를 편집 가능한 벡터 figure로 그립니다. 나중에 Illustrator나 PowerPoint에서 화살표를 옮기고 라벨을 고칠 수 있습니다. 세포나 소기관 같은 그림 요소는 편집 가능한 도형이 아니라 그 안에 배치된 AI 생성 이미지입니다. 데이터 플롯이 아니라 다이어그램용입니다.
결과물 생성	hyperlab-html-infographic	결과를 한 장짜리 시각 요약으로 압축합니다. figure, 핵심 수치, 시사점을 브라우저로 여는 단일 페이지로 구성합니다. 오프라인에서도 동작하는 자체 완결 파일 하나로 제공됩니다.
결과물 생성	hyperlab-hwpx	한컴 한글 문서(.hwpx)를 읽고, 요약하고, 편집하고, 내용을 채우고, 새로 만듭니다. 문서 자체의 서식을 유지합니다. 구형 .hwp 파일은 형식을 인식하는 대체 경로로 읽습니다.
결과물 생성	hyperlab-methods	이 대화에서 수행한 전산 분석의 Methods 섹션 초안을 작성합니다. 파라미터와 버전을 담고, 인용된 도구마다 실제 PMID 또는 DOI를 붙입니다. 기록으로 확인할 수 없는 내용은 임의로 채우지 않고 누락 항목으로 표시합니다.
결과물 생성	hyperlab-poster	결과를 한 장짜리 학회 포스터로 배치합니다. 필요한 규격에 맞춰 크기를 잡고 편집 가능한 PowerPoint 파일로 제공합니다.
결과물 생성	hyperlab-pptx	결과로 편집 가능한 PowerPoint 발표자료를 만듭니다. 슬라이드를 배치하고 figure를 넣어 주며, 나중에 개별 슬라이드만 다시 만들 수도 있습니다. 실제 슬라이드가 들어 있는 본인의 .pptx(마스터만 있는 .potx 템플릿이 아닌)를 업로드하면 그 형식을 따릅니다.
결과물 생성	hyperlab-report	이 대화의 분석을 남에게 건넬 수 있는 리포트로 만듭니다. 핵심 결과를 AI가 그린 graphical abstract와 함께 요약으로 여는 뒤, 배경·방법·결과·figure·한계로 이어지며 PDF로 제공됩니다. 모든 수치는 실제 실행된 내용으로 거슬러 올라갑니다.
실험실 자동화	protocolsio-integration	protocols.io에서 출판된 실험·생물정보·임상 프로토콜을 키워드나 식별자로 검색해 전체 절차를 가져옵니다. 단계, 시약, 재료, 장비, 소요 시간을 포함합니다.
실험실 자동화	western-blot-quantification	western blot의 밴드를 정량합니다. 밴드를 검출하고 신호를 정규화한 뒤 blot 데이터에 맞는 통계를 적용해, 누군가 물어봐도 수치가 버틸 수 있게 합니다.
스킬	hyperlab-create-skill	새 skill을 직접 만들 수 있게 돕습니다. 무엇을 하는 skill인지 몇 차례에 걸쳐 질문하며, 먼저 같은 일을 하는 기존 skill이나 내장 기능이 있는지 확인합니다. 만든 skill은 계정에 저장되며, 중복해서 만들기보다는 기존 skill을 확장합니다.
스킬	hyperlab-find-skills	공개 skill 생태계(skills.sh, GitHub, npm)에서 필요한 일을 하는 기존 skill을 찾아 살펴보고, 맞으면 계정에 추가합니다. 외부 skill을 그대로 돌릴 수 없으면 그것을 고쳐 쓰거나 새로 만드는 쪽으로 넘깁니다.
스킬	hyperlab-save-as-skill	이 대화에서 막 끝낸 분석을 재사용 가능한 skill로 만듭니다. 특정 파일과 값을 파라미터로 일반화해 새 데이터에도 같은 워크플로우를 돌릴 수 있게 합니다. 이미 비슷한 skill이 있으면 새로 만들지 않고 그것을 갱신할지 묻습니다.