Transformer un modèle de langage en assistant de paillasse ne relève plus du fantasme d’ingénieur. Avec scientific-agent-skills, K-Dense met à disposition un catalogue ouvert de 163 compétences validées et un accès direct à plus de 100 bases de données spécialisées en biologie, chimie, médecine et découverte de médicaments.
Plus de 175 000 scientifiques s’en servent pour automatiser des chaînes d’analyse sans réécrire les couches de plomberie logicielle.
Le projet s’appelait autrefois Claude Scientific Skills. Sa refonte sous le standard ouvert Agent Skills le rend compatible avec l’ensemble des agents du marché : Cursor, Claude Code, Codex, Google Antigravity, Pi, Gemini CLI ou encore l’écosystème local K-Dense BYOK.
Pourquoi ce répertoire transforme le travail en laboratoire
Les modèles frontières rivalisent aujourd’hui avec les logiciels de pointe sur la prédiction brute (comme l’évaluation des déplacements chimiques en RMN du proton à ±0,079 ppm). Le goulet d’étranglement ne vient plus du modèle. Il réside dans le protocole d’exécution : formats de fichiers obscurs, authentification sur des API gouvernementales, validation des coordonnées génomiques et contrôle rigoureux des sources.
Donner un interpréteur Python brut à un agent produit souvent des hallucinations d’API ou des pertes silencieuses de données. Par exemple, sur des tables taxonomiques MetaPhlAn brutes, un script naïf perd 97 % de la masse d’abondance tout en renvoyant un embedding apparemment valide. Avec la compétence waypoint intégrée ici, l’agent évite ce piège systématiquement (résultat mesuré : 16 victoires à 0 sur paires appariées lors des benchmarks K-Dense).
Chaque compétence fournit une documentation SKILL.md calibrée, des scripts testés en intégration continue et des garde-fous explicites pour que l’agent manipule directement vos outils sans dériver.
Installation et intégration technique
L’installation s’adapte à votre client de développement préféré. Avant de lancer la commande, assurez-vous d’avoir Python 3.13+ et le gestionnaire de paquets uv installés sur votre machine (macOS, Linux ou Windows via WSL2).
Installez uv en une ligne de commande :
# macOS et Linux
curl -LsSf https://astral.sh/uv/install.sh | sh
# Windows (PowerShell)
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"Choisissez ensuite l’un des trois modes d’installation selon votre infrastructure :
Méthode 1 : Installateur direct npx
npx skills add K-Dense-AI/scientific-agent-skillsCette commande déploie les compétences dans ~/.agents/skills/ ou dans le dossier .agents/skills/ de votre projet actif pour Claude Code, Claude Cowork, Codex, Gemini CLI, Cursor et Google Antigravity.
Méthode 2 : GitHub CLI (gh skill v2.90.0+)
# Installation interactive globale
gh skill install K-Dense-AI/scientific-agent-skills
# Installer une seule compétence (ex. scanpy)
gh skill install K-Dense-AI/scientific-agent-skills scanpy
# Cibler un environnement précis
gh skill install K-Dense-AI/scientific-agent-skills --agent cursor
gh skill install K-Dense-AI/scientific-agent-skills --agent claude-code
gh skill install K-Dense-AI/scientific-agent-skills --agent codex
gh skill install K-Dense-AI/scientific-agent-skills --agent gemini
# Figer une version (reproductibilité d'analyse)
gh skill install K-Dense-AI/scientific-agent-skills --pin v2.64.0
gh skill install K-Dense-AI/scientific-agent-skills --pin abc123def
# Mettre à jour l'ensemble du catalogue
gh skill update --allMéthode 3 : Standard Agent Plugins (Cursor, Codex, VS Code)
Le dépôt respecte le standard Agent Plugins 1.0.0 avec son fichier plugin.json à la racine et ses sous-dossiers dans skills/. Pour Cursor, créez un lien symbolique vers votre dossier local de plugins :
mkdir -p ~/.cursor/plugins/local
ln -s "$(pwd)" ~/.cursor/plugins/local/scientific-agent-skillsRechargez la fenêtre Cursor. Les compétences apparaissent immédiatement sous la section Customize. Sur Codex, lancez simplement codex plugins install . depuis un clone local.
Pour l’agent Hermes, déclarez le dépôt comme un flux dédié :
hermes skills tap add K-Dense-AI/scientific-agent-skillsEnvironnements sécurisés NemoClaw : NemoClaw exécute les agents dans NVIDIA OpenShell avec un blocage réseau par défaut. Pour utiliser des compétences qui appellent des API distantes (Exa, Benchling, NCBI, Materials Project), vous devez pré-approuver explicitement les noms de domaine cibles dans l’interface TUI d’OpenShell.
Architecture du catalogue : 163 compétences par domaine
| Domaine | Volume | Outils, bibliothèques et API couverts |
|---|---|---|
| Bioinformatique & Génomique | 27 skills | Scanpy, AnnData, scvi-tools, scVelo (vélocité ARN), Arboreto, Cellxgene Census, PyDESeq2, BioPython, pysam, scikit-bio, BioServices, gget, geniml/Gtars, deepTools, FlowIO, Polars-Bio, Zarr, TileDB-VCF, Genomic Coordinates (conversions sans erreur 0-based/1-based), OneKGPd (requêtes individuelles 1000 Genomes), Genomic Intelligence, Pathway Enrichment (gseapy, g:Profiler), ETE Toolkit, IQ-TREE 2, FastTree, Waypoint (modèles de fondation microbiome Atlas 539k). |
| Chémoinformatique & Drug Discovery | 10 skills | RDKit, Datamol, Molfeat, DeepChem, TorchDrug, DiffDock, OpenMM + MDAnalysis (dynamique moléculaire), Rowan (chimie quantique cloud : pKa, docking, cofolding), MedChem, PyTDC 1.1.15 (sur pile CPython 3.11). |
| Protéomique & Spectrométrie de masse | 2 skills | pyOpenMS (traitement LC-MS/MS), matchms (comparaison spectrale de peptides). |
| Recherche Clinique & Preuves | 8 skills | PK/PD Modeling (analyse non-compartimentale, PK de population, relation exposition-réponse Emax, TMDD, bioéquivalence RSABE/ABEL, mise à l’échelle allométrique, DDI selon ICH M12), DepMap, Imaging Data Commons (IDC), PyHealth, Clinical Decision Support (gouvernance synthétique), Clinical Reports (brouillons traçables), Treatment Plans. |
| Imagerie Médicale & Pathologie Numérique | 4 skills | pydicom 3.0.2 (pré-vol local sans transfert de données patient), histolab, PathML 3.0.5, DeepSpot-M (transcriptomique spatiale virtuelle sur tuiles H&E 224×224). |
| Neurosciences & Électrophysiologie | 3 skills | BIDS (Brain Imaging Data Structure), Neuropixels-Analysis (tri de potentiels d’action sur sondes silicium), NeuroKit2 0.2.13 (signaux physiologiques). |
| Apprentissage Automatique & IA | 14 skills | PyTorch Lightning, Transformers, Stable Baselines3, PufferLib 3.0/4.0, scikit-learn, scikit-survival 0.28, SHAP, aeon, TimesFM (prévision univariée Google zero-shot), PyMC, PyMOO, Torch Geometric, UMAP-learn, statsmodels. |
| Physique, Chimie & Matériaux | 7 skills | pymatgen (structures cristallines et Materials Project), COBRApy (modélisation métabolique), Astropy, Cirq, PennyLane, Qiskit, QuTiP 5.3. |
| Ingénierie & Simulation | 6 skills | build123d 0.11.1 (CAD paramétrique pour puces microfluidiques et montures optiques aux normes ANSI/SLAS), MATLAB R2026a, GNU Octave 11.3, FluidSim 0.9 (CFD bornée), OpenPIV (vélocimétrie par images de particules), SimPy 4.1.2, SymPy. |
| Analyse de Données & Visualisation | 22 skills | Matplotlib, Seaborn, Scientific Visualization, GeoPandas 1.1.4, GeoMaster (télédétection, SIG, 500+ exemples), Dask, Polars, Vaex, NetworkX, LiteParse (OCR local et boîtes englobantes), MarkItDown, Uncertainty & Units (propagation Monte Carlo GUM, pint, CODATA), Experimental Design (pyDOE3), Statistical Power. |
| Automatisation de Laboratoire | 6 skills | PyLabRobot (simulation hors-ligne de manipulation de liquides), Opentrons, Ginkgo Cloud Lab (expression protéique, synthèse ARN IVT, essais Echo-MS), protocols.io (API v3/v4), Benchling, LabArchives (ELN et Inventory v1). |
| Biologie des Systèmes & Multi-omique | 3 skills | LaminDB, PrimeKG (graphe de connaissances biomédicales de précision), enrichissement de voies via Database Lookup. |
| Ingénierie des Protéines | 4 skills | ESM (modèles de langage protéiques), Glycoengineering (prédiction N/O-glycosylation), Adaptyv (tests automatisés), Tamarind (GPU managés pour AlphaFold, Boltz, Chai, ESMFold, RFdiffusion, ProteinMPNN). |
| Communication Scientifique & Veille | 27 skills | Paper Lookup (PubMed, PMC, bioRxiv, arXiv, Crossref, Semantic Scholar), Paperclip (système de fichiers virtuel sur 11M d’articles complets et 217k dossiers FDA/EMA avec citations calées à la ligne), BGPT Paper Search (recherche sur 25 champs structurés), Parallel Web, Exa Search, Open Notebook (alternative auto-hébergée à NotebookLM), Scientific Writing, Peer Review confidentiel local, affiches PPTX sans macros. |
| Accès aux Données & Bases Spécialisées | 11 skills | Database Lookup (point d’accès REST unifié vers 78 bases : PubChem, ChEMBL, UniProt, COSMIC, ClinicalTrials.gov, FRED, USPTO, SEC EDGAR), NCATS ARAX, U.S. Treasury Fiscal Data, Hugging Science (catalogue ML sur 17 disciplines), Ontology Term Resolution (EBI OLS4), Pathogen Variant Surveillance (API GenSpectrum LAPIS pour SARS-CoV-2, H5N1, mpox, dengue). |
| Plateformes, Méthodologie & Réglementaire | 26 skills | Modal, Pi Agent (SDK, RPC, TUI), Autoskill (détection de routines via screenpipe), Arbor (Hypothesis Tree Refinement), What-If Oracle, Consciousness Council, DHDNA Profiler, validation analytique selon ICH Q2(R2)/Q14 et ICH M10, préparation de preuves ISO 13485/14971/17025/15189. |
K-Dense propose également l’application de bureau K-Dense BYOK, un environnement de recherche gratuit et open source qui exécute l’intégralité de ces compétences en local avec vos propres clés d’API sur plus de 40 modèles différents, tout en déportant les calculs lourds sur l’infrastructure cloud Modal si nécessaire.
Exemples pratiques de flux de recherche
Une fois les compétences installées, vous formulez vos requêtes en langage naturel dans votre invite de commande ou votre éditeur. L’agent détecte et orchestre les scripts appropriés.
1. Pipeline de criblage en chimie thérapeutique (EGFR)
Interroge ChEMBL pour extraire les inhibiteurs d'EGFR avec une IC50 inférieure à 50 nM.
Analyse les relations structure-activité avec RDKit, génère des analogues optimisés
via datamol et réalise un criblage virtuel avec DiffDock contre la structure AlphaFold
d'EGFR. Vérifie les mutations de résistance répertoriées dans COSMIC et compile les
résultats dans un rapport visuel.Compétences sollicitées : database-lookup, rdkit, datamol, diffdock, paper-lookup, scientific-visualization.
2. Analyse transcriptomique sur cellule unique (Single-Cell RNA-seq)
Charge le jeu de données 10X avec Scanpy, applique le contrôle qualité et supprime
les doublets. Intègre les données du Census Cellxgene, identifie les types cellulaires
avec les marqueurs NCBI Gene et calcule l'expression différentielle avec PyDESeq2.
Reconstruis le réseau de régulation génique avec Arboreto et enrichis les voies
via Reactome et KEGG.Compétences sollicitées : scanpy, cellxgene-census, database-lookup, pydeseq2, arboreto.
3. Pharmacologie clinique et simulation PK/PD
À partir des profils de concentration plasmatique fournis, dérive les paramètres
non-compartimentaux (Cmax, AUC, demi-vie), ajuste un modèle PK à deux compartiments
avec élimination non linéaire, puis simule trois schémas posologiques pour évaluer
l'intervalle thérapeutique cible et prédire les interactions médicamenteuses
conformément aux directives ICH M12.Compétences sollicitées : pkpd-modeling, database-lookup, scientific-writing.
4. Synthèse de preuves de variants génomiques pour la recherche
Travaille uniquement sur le fichier VCF synthétique anonymisé fourni. Parse les variants
avec pysam, annote-les via Ensembl VEP et rassemble les données de preuve issues de
ClinVar, COSMIC et UniProt. Vérifie les citations avec Paperclip en pointant précisément
les numéros de ligne des publications. Génère un brouillon structuré sans formuler de
diagnostic direct.Compétences sollicitées : pysam, database-lookup, paperclip, scientific-writing, clinical-reports.
Résultats de benchmarks mesurés en conditions réelles
Les tests publiés par l’équipe K-Dense sur des tâches scientifiques concrètes démontrent des gains nets par rapport à l’utilisation d’un modèle non guidé :
- database-lookup : Regrouper l’accès à 78 bases dans une seule interface standardisée a réduit l’occupation du contexte mémoire de 13,9 fois par rapport à la création de 78 compétences distinctes, tout en maintenant la précision du routage sur cinq familles de modèles.
- pyopenms : Sur une série de 250 exécutions d’analyses de spectrométrie de masse, le taux de succès grimpe à 100 % avec la compétence (contre 96 % sans), avec 92 % d’erreurs d’API en moins et une baisse de 10 % du coût en jetons.
- lab-hardware-cad : Sur 98 tests de conception géométrique sous build123d, l’agent équipé a produit 49 modèles paramétriques régénérables sur 49 tentatives (contre 0 sur 49 sans la compétence) et a correctement signalé les dimensions manquantes au lieu d’inventer des cotes.
- rowan : Comparé aux données expérimentales, le calcul quantique cloud a atteint une erreur absolue moyenne (MAE) de 0,23 sur le pKa ($R^2 = 0,986$) et une précision de pose de docking de 0,19 Å RMSD pour environ 0,52 $ de calcul.
- optimize-for-gpu : L’accélération automatique de code Python CPU vers 12 bibliothèques GPU (CuPy, Warp, cuDF, cuML) a montré des gains de vitesse s’échelonnant de 1,7x à 492x (moyenne de 58x).
Sécurité, tests et limites d’utilisation
Les compétences manipulent des fichiers locaux, écrivent du code et lancent des requêtes réseau. Une compétence malveillante ou mal rédigée présente un risque direct pour votre machine. K-Dense applique un protocole d’audit continu :
Chaque compétence livrant des scripts dans scripts/ possède des tests unitaires dans tests/<skill-name>/. Le pipeline d’intégration continue bloque toute contribution non conforme aux contrats structurels :
# Vérification rapide du contrat structurel et des métadonnées
uv run python -m pytest tests/_meta -q
# Tester une compétence précise
uv run --with pytest python -m pytest tests/scanpy -q
# Lancer la suite complète dans des environnements isolés
uv run python tests/run_all.py --isolatedChaque composant fait l’objet d’une analyse automatisée hebdomadaire via Cisco AI Defense Skill Scanner pour bloquer les injections de requêtes, les fuites de données et les codes suspects. Vous pouvez exécuter ce scanner chez vous :
uv pip install cisco-ai-skill-scanner
skill-scanner scan /chemin/vers/la/competence --use-behavioralRespectez toujours ces principes de précaution élémentaires :
- N’installez que le nécessaire : Charger les 163 compétences d’un coup surcharge la fenêtre de contexte de votre agent. Installez uniquement le sous-ensemble utile à votre projet.
- Lisez le fichier SKILL.md : Vérifiez les dépendances externes et les services réseau appelés avant d’exécuter un script.
- Frontières cliniques et réglementaires strictes : Les compétences
clinical-reports,treatment-plansou de validation de méthodes analytiques (ICH Q2(R2)/Q14, ISO 13485, ISO 15189) rédigent des projets de synthèse documentaire pour revue par un personnel qualifié. Elles ne constituent en aucun cas une validation de conformité, un dispositif médical homologué, une accréditation de laboratoire ou une décision thérapeutique.
Dépannage courant et Foire aux Questions
L’agent ne charge pas les compétences après l’installation :
Vérifiez que chaque dossier contient un fichier SKILL.md valide à sa racine. Redémarrez votre IDE ou votre terminal d’agent. Dans Cursor, rendez-vous dans Settings → Rules pour vérifier la détection. Depuis la version v2.43.0, le répertoire a migré son arborescence interne de scientific-skills/ vers skills/ afin de respecter le standard GitHub CLI : mettez à jour vos chemins locaux si vous utilisiez une ancienne version.
Erreurs d’importation de modules Python :
Les compétences ne pré-installent pas tout l’écosystème Python pour économiser votre espace disque. Consultez l’en-tête du fichier SKILL.md concerné et installez la dépendance manquante avec uv pip install <nom-du-paquet>.
Régulation de débit (API Rate Limits) et clés secrètes :
Certaines bases publiques (NCBI, ChEMBL, Ensembl) imposent des limites d’appels. Configurez vos clés d’accès dans vos variables d’environnement quand le fichier SKILL.md le mentionne pour bénéficier de quotas élargis.
Régime de licence :
Le dépôt global est distribué sous licence MIT. Cependant, chaque compétence possède son propre champ de licence dans ses métadonnées YAML. Par exemple, les quatre compétences de traitement documentaire (docx, pdf, pptx, xlsx) sont développées et maintenues par Anthropic puis importées selon leurs conditions d’usage respectives. Vérifiez toujours la licence individuelle dans le fichier SKILL.md avant d’intégrer une brique dans un produit commercial propriétaire.
Pour suivre les annonces de versions, les webinaires de formation ou contribuer de nouvelles compétences, consultez le dépôt officiel sur GitHub.