scientific-research科学研究所助手——集成 K-Dense Scientific Agent Skills（139个科研技能+78个公开科学数据库）， 覆盖文献综述、生物信息学、化学信息学、药物发现、数据分析、科学写作、文档处理等领域。 核心原则：它是加速器，不是自动驾驶仪——帮你省掉机械劳动，不做科学判断。 Trigger keywords: 科研, 文献综述, 文献检索, 论文写作, 生信分析, 单细胞, 分子对接, 药物发现, 化学信息学, 科学写作, 学术海报, 学术PPT, 数据库查询, 数据分析, scientific research, literature review, bioinformatics, drug discovery, cheminformatics, paper writing, single …
Independent GitHub snapshot · Automated classification · Original documentation governs
本 Skill 基于 K-Dense Scientific Agent Skills（27.4k⭐，160,000+ 科学家在使用）。 首次使用前需要安装：
# 一键安装全部139个技能（不推荐新手）
npx skills add K-Dense-AI/scientific-agent-skills
# 推荐：按需逐个安装
gh skill install K-Dense-AI/scientific-agent-skills <skill-name>
# 锁定版本（避免"上周能跑这周结果变了"）
gh skill install K-Dense-AI/scientific-agent-skills --pin v2.39.0
环境要求：
K-Dense 覆盖十大领域、139个技能、78个公开科学数据库（加上聚合接口实际可调用近200个数据源）：
| 领域 | 代表技能 | 核心数据库 |
|---|---|---|
| 生物信息学 | scanpy, biopython, pydeseq2, scvelo, scvi-tools | NCBI Gene, UniProt, KEGG, Reactome, STRING, ClinVar, COSMIC |
| 化学信息学 | rdkit, deepchem, datamol, molfeat, medchem | PubChem, ChEMBL, PDB, AlphaFold DB, ZINC |
| 蛋白质组学 | diffdock, openmm, mdanalysis | UniProt, PDB, AlphaFold DB |
| 临床研究 | — | ClinVar, COSMIC, ClinicalTrials.gov, FDA |
| 医学影像 | — | — |
| 机器学习 | scikit-learn, statsmodels, pymc, timesfm | — |
| 材料科学 | — | — |
| 地理空间 | geopandas, geomaster | — |
| 实验室自动化 | — | — |
| 科学交流 | scientific-writing, latex-posters, scientific-slides, infographics | — |
核心必装：
literature-review — 10个数据库并行检索，文献从两三天缩到几小时
scientific-writing — IMRAD结构写作辅助（不是代写，是帮查结构和措辞）
citation-management — 自动生成BibTeX，兼容Zotero
按需补：
peer-review — 投稿前按审稿人视角过一遍
latex-posters — 学术海报
scientific-slides — 学术幻灯片
mermaid — Markdown里画流程图
infographics — AI生成信息图表
文档处理全装：
pdf, docx, pptx, xlsx, markitdown
（markitdown 支持十几种格式转 Markdown，一个技能通吃）
⚠️ 注意：写作技能默认会调用 scientific-schematics 和 generate-image 画图，
这俩需要连外部生图服务。连不上的话告诉 AI 不要画图，否则会一直重试连接。
核心必装：
matplotlib + seaborn — 出版级图（前者精调，后者快速探索）
statsmodels — 统计建模（偏推断）
scikit-learn — 经典机器学习一站式
eda — 200+格式自动检测，出数据质量报告
按需补：
networkx — 网络分析
dask / polars — 大数据
pymc — 贝叶斯
timesfm — Google零样本时间序列
geopandas + geomaster — 地理空间和遥感
核心必装：
scanpy — 单细胞标配，质控到聚类一条龙
biopython — 序列处理老大哥
pydeseq2 — 差异表达，结果直连KEGG/Reactome做通路富集
按需补：
scvelo — RNA velocity
scvi-tools — 深度学习单细胞
cellxgene-census — 直连6100万+公开参考数据
arboreto — 基因调控网络
pysam — VCF处理
database-lookup 必装（通过它连接）：
NCBI Gene, UniProt, KEGG, Reactome, STRING, ClinVar, COSMIC
核心必装：
rdkit — 化学信息学瑞士军刀
deepchem — 深度学习药物设计（ADMET预测、QSAR建模）
diffdock — 分子对接（AI直接驱动，不用手动准备输入文件）
按需补：
datamol — RDKit现代包装，API更顺手（建议直接必装）
molfeat — 分子特征工程
openmm + mdanalysis — 分子动力学模拟 + 轨迹分析
medchem — 药物化学性质优化
database-lookup 必装：
ChEMBL, PubChem, PDB, AlphaFold DB, ZINC
database-lookup — 78个数据库统一接口，最值得装的一个
markitdown — 格式转换万能胶
citation-management — 查文献随手导BibTeX
paper-lookup — 比PubMed网页快，比Google Scholar结构化
以前：ChEMBL查活性 → 导出CSV → Python脚本 → PubMed查文献 → 写报告（三四个工具来回切）
现在："查ChEMBL里EGFR抑制剂的活性数据，用RDKit做SAR分析，同步搜PubMed耐药机制，最后汇总"——一次搞定。切换成本被抹掉了。
分析类技能需要对领域知识做正确判断——这在目前AI能力边界上还是模糊地带。 写作、排版、格式转换是结构化任务，规则明确，AI执行更稳。
例如 RDKit 跑分子描述符——某些含特殊官能团的分子，默认参数给出的质子化状态可能不对。 结果看起来漂亮，实际上不准。如果你不懂底层原理，你根本看不出来结果有问题。
知道这个技能依赖哪些包、调什么API、有什么限制。比出问题了回头排查省时间。
1. 用 paper-lookup 检索关键词（比PubMed快，结构化输出）
2. 用 literature-review 跑10个数据库并行检索，自动去重，按主题分组
3. 用 citation-management 导出 BibTeX
4. 人工精读筛选——它给你的是阅读路线图，不是替你读
1. 用 scanpy 跑标准流程：质控 → 标准化 → 降维 → 聚类
2. 用 database-lookup 查标记基因（CellMarker/PanglaoDB）
3. 人工判断细胞类型注释——技能给的标注比较粗糙
（比如只标"T细胞"，你得自己判断是CD4+/CD8+/Treg/Th17）
4. 用 pydeseq2 做差异表达
5. 用 database-lookup 连 KEGG/Reactome 做通路富集
markitdown: 十几种格式 → Markdown
pdf/docx/pptx/xlsx: 格式互转
scientific-slides: 学术幻灯片骨架
latex-posters: 学术海报
| 工具 | 定位 | 与本技能的关系 |
|---|---|---|
| K-Dense Scientific Skills | 肌肉——142个具体技能+78个数据库 | 本技能的知识来源 |
| academic-research-skills | 骨架——五阶段研究流程管理 | 互补，可同时使用 |
| Stanford Virtual Lab | AI Agent自主设计实验 | 同一种激进方向 |
npx skills add K-Dense-AI/scientific-agent-skillsgh skill install K-Dense-AI/scientific-agent-skills <name>