📱MedKit.

MedKit — это Python SDK, который объединяет три разрозненных медицинских API (OpenFDA, PubMed, ClinicalTrials.gov) в единую платформу с «клиническим интеллектом».

❓Что умеет:

🔘Один клиент: med.search("pembrolizumab") сразу ищет препарат, клинические испытания и публикации в PubMed — автоматическая корреляция данных.

🔘Клинический синтез: med.ask("статус препарата X для NSCLC?") даёт сводку с evidence score (0.0–1.0) и топ‑интервенций, агрегируя данные из всех источников.

🔘Knowledge graph: визуализация связей между препаратами, испытаниями и исследованиями, обнаружение drug‑drug interactions.

🔘Устойчивость (v3.0): circuit breakers, exponential backoff с jitter, rate limiting, автоматический curl‑фоллбэк для обхода блокировок ClinicalTrials.gov.

Установка:

pip install medkit-sdk

#python #medical #healthcare #opendata #api #medkit #bioinformatics

📱Ссылка на репозиторий:
https://github.com/interestng/medkit

📱Ome-zarr-py.

Ome-zarr-py - это официальный Python-инструмент для работы с многомасштабными (multi-resolution) наборами изображений в формате Zarr, соответствующими открытой спецификации OME-NGFF (Open Microscopy Environment Next Generation File Format).

Библиотека разработана сообществом OME и предназначена для эффективного считывания, записи и управления многомерными (2D–5D) научными данными и микроскопическими снимками гигантского объема.

🔹Ключевые возможности:

🔘Поддержка стандарта OME-NGFF: Реализация формата хранения биовизуализационных данных нового поколения.

🔘Формат Zarr: Оптимизированное сжатие, разбиение на чанки и параллельный доступ к элементам массивов локально и в облачных хранилищах.

🔘Пирамиды изображений (Мультиразрешение): Позволяет загружать только требуемый уровень детализации и конкретный фрагмент изображения без выгрузки всего файла целиком в память.

🛠Инфраструктура и разработка:

🔘Документация: Публикуется на Read the Docs и собирается локально с помощью Sphinx:

pip install -r docs/requirements.txt
sphinx-build -b html docs/source/ docs/build/html

🔘Тестирование: Локальная проверка кода организована через tox, а перед коммитами используется валидация pre-commit.

🔘Версионирование: Номера версий автоматически управляются через setuptools_scm.

🔘Лицензия: Распространяется под открытой лицензией BSD.

#ome #zarr #Python #Bioinformatics #Microscopy #DataScience #OpenSource #DevTools #Imaging #OME_NGFF

📱Ссылка на репозиторий:
https://github.com/ome/ome-zarr-py

📱Cnsplots.

Cnsplots - это Python-библиотека для создания научных графиков и иллюстраций, полностью готовых к публикации в ведущих рецензируемых журналах уровня Cell, Nature и Science (CNS).

Она построена поверх matplotlib, полностью совместима с seaborn и берет на себя всю рутинную работу по стилизации, позволяя исследователям сфокусироваться на содержании работы, а не на подгонке параметров оформления.

🔹Главные фичи и возможности:

🔘Готовые журнальные стандарты: Предустановленные стили и палитры, строго соответствующие требованиям топовых научных изданий (Cell, Nature, Science, Ecotyper и др.).

🔘Идеальная интеграция с Adobe Illustrator: Векторный экспорт (SVG/PDF) сохраняет шрифты как редактируемый текст без конвертации в кривые (no text-to-path conversion), что позволяет дорабатывать верстку статьи без потери качества.

🔘25+ типов научных графиков:

✔️Статистические: боксплоты (Box plots), виолончельные диаграммы (Violin plots), точечные и регрессионные графики.

✔️Биомедицинские и специальные: кривые выживаемости Каплана-Мейера, ROC-кривые, диаграммы Волкано (Volcano plots), графики анализа GSEA, форест-плоты (Forest plots) и матрицы ошибок.

✔️Структурные: тепловые карты с иерархической кластеризацией, диаграммы Санки (Sankey), диаграммы Венна и UpSet-плоты.

🔘Встроенный статанализ: Автоматически рассчитывает $P$-value и добавляет на график аннотации значимости (тест Манна — Уитни, $t$-критерий Уэлча, точный тест Фишера).

🔘 Мультипанельные фигуры: Автоматизирует сборку составных иллюстраций из нескольких графиков с буквенными маркерами (A, B, C...).

🔘Поддержка ИИ-кодеров: Содержит встроенные скиллы для работы в Codex и Claude Code ($cnsplots / /cnsplots).

🚀Быстрый старт:

Установка из PyPI:

pip install cnsplots

Пример создания боксплота со статистическим сравнением групп:

import cnsplots as cns

# Загрузка данных и создание холста точного размера в пикселях
df = cns.datasets.load_dataset("tips")
cns.figure(width=150, height=150)

# Отрисовка боксплота со сравнением выбранных пар
cns.boxplot(
    data=df,
    x="day",
    y="total_bill",
    pairs=[("Thur", "Fri"), ("Sat", "Sun")]
)

# Сохранение в векторный SVG для Illustrator
cns.savefig("figure.svg")

#Python #DataVisualization #DataScience #Bioinformatics #Matplotlib #Seaborn #Cell #Nature #Science #ScientificPublishing #OpenSource #DevTools

📱Ссылка на репозиторий:
https://github.com/faridrashidi/cnsplots