适用于生成期刊投稿级图表的元技能。适用于需要多面板布局、显著性标注、误差条、色盲友好配色方案以及特定期刊格式（如《自然》《科学》《细胞》）的图表制作，可协调使用 matplotlib、seaborn 或 plotly 以符合出版样式。如需快速探索，可直接使用 seaborn 或 plotly。

深度研究与写作工具的核心技能：以完整段落形式撰写科学论文（严禁使用项目符号）。采用两阶段流程：（1）通过研究检索制作各部分提纲并列出关键点；（2）将提纲转化为连贯流畅的正文。遵循IMRAD结构，引用格式支持APA/AMA/Vancouver，包含图表，符合CONSORT/STROBE/PRISMA等报告规范，适用于研究论文及期刊投稿。

使用 scikit-learn 在 Python 中进行机器学习。适用于处理监督学习（分类、回归）、无监督学习（聚类、降维）、模型评估、超参数调优、数据预处理或构建机器学习流水线。提供算法、预处理技术、流水线和最佳实践的全面参考文档。

集成 pandas 的统计可视化工具，适用于快速探索分布、关系和分类比较，具备美观的默认设置。最适合绘制箱线图、小提琴图、配对图和热力图。基于 matplotlib 构建。如需交互式图表，请使用 plotly；如需出版级样式，请使用 scientific-visualization。

基于过程的离散事件仿真框架（Python）。当构建包含流程、队列、资源及基于时间的事件的系统仿真时使用此技能，例如制造系统、服务运营、网络流量、物流或任何实体随时间与共享资源交互的系统。

提供生产就绪的强化学习算法（PPO、SAC、DQN、TD3、DDPG、A2C），采用类似 scikit-learn 的 API，适用于标准强化学习实验、快速原型开发和文档完善的算法实现。最适合单智能体与 Gymnasium 环境结合使用。如需高性能并行训练、多智能体系统或自定义向量化环境，请改用 pufferlib。

提供指导性的统计分析，包括测试选择与结果报告。适用于需要帮助选择适合的数据检验方法、检验假设、功效分析以及APA格式结果输出的场景，最适合学术研究结果报告和测试选择指导。如需编程实现特定模型，请使用statsmodels。

Python 的统计模型库。当您需要特定模型类别（如 OLS、GLM、混合模型、ARIMA）并附带详细诊断、残差和推断时使用。最适合计量经济学、时间序列分析以及带有系数表格的严谨推断。如需在 APA 报告格式下进行引导式统计检验选择，请使用 statistical-analysis。

用于分子和蛋白质的PyTorch原生图神经网络。适用于构建自定义GNN架构以进行药物发现、蛋白质建模或知识图谱推理，特别适合自定义模型开发、蛋白质性质预测和逆合成分析。如需预训练模型和多种特征化工具，请使用DeepChem；如需基准数据集，请使用PyTDC。