深度学习框架（PyTorch Lightning）。将PyTorch代码组织为LightningModules，配置训练器以支持多GPU/TPU，实现数据管道、回调函数、日志记录（W&B、TensorBoard）以及分布式训练（DDP、FSDP、DeepSpeed），以实现可扩展的神经网络训练。

标准单细胞RNA测序分析流程。适用于质量控制、归一化、降维（PCA/UMAP/t-SNE）、聚类、差异表达分析和可视化。最适合采用成熟工作流程的探索性单细胞RNA测序分析。如需使用深度学习模型，请使用scvi-tools；如有关于数据格式的问题，请使用anndata。

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。

用于单细胞组学的深度生成模型。当需要概率性批次校正（scVI）、迁移学习、带不确定性差异表达分析或多模态整合（TOTALVI、MultiVI）时使用。最适合高级建模、批次效应和多模态数据。标准分析流程请使用scanpy。

使用此技能处理和分析超出可用内存的大型表格数据集（数十亿行）。Vaex 在外部存储 DataFrame 操作、惰性求值、快速聚合、大数据高效可视化以及大规模数据集的机器学习方面表现卓越。当用户需要处理大型 CSV/HDF5/Arrow/Parquet 文件、对海量数据集进行快速统计分析、创建大数据可视化图表，或构建无法完全装入内存的机器学习流水线时，适用于此场景。

用于云存储的分块 N 维数组，支持压缩、并行 I/O、S3/GCS 集成，兼容 NumPy/Dask/Xarray，适用于大规模科学计算流程。