一个功能全面的工具包，用于在 Python 中创建、分析和可视化复杂网络与图。适用于处理网络/图数据结构、分析实体间的关联、计算图算法（最短路径、中心性、聚类）、检测社区结构、生成合成网络或可视化网络拓扑结构。适用于社交网络、生物网络、交通系统、引文网络以及任何涉及成对关系的领域。

用于分析包括心电图（ECG）、脑电图（EEG）、皮肤电活动（EDA）、呼吸信号（RSP）、光电容积脉搏波（PPG）、肌电图（EMG）和眼电图（EOG）在内的生理数据的综合性生物信号处理工具包。适用于处理心血管信号、脑活动、皮肤电反应、呼吸模式、肌肉活动或眼动。可用于心率变异性分析、事件相关电位、复杂性衡量、自主神经系统评估、心理生理学研究以及多模态生理信号的整合。

用于开发、测试和部署临床数据机器学习模型的综合性医疗人工智能工具包。当处理电子健康记录（EHR）、临床预测任务（死亡率、再入院、药物推荐）、医学编码系统（ICD、NDC、ATC）、生理信号（EEG、ECG）、医疗数据集（MIMIC-III/IV、eICU、OMOP）或为医疗应用实现深度学习模型（如RETAIN、SafeDrug、Transformer、GNN）时，应使用此技能。

完整的质谱分析平台，适用于蛋白质组学工作流程中的特征检测、肽段鉴定、蛋白质定量和复杂的液相色谱-串联质谱（LC-MS/MS）流程。支持多种文件格式和算法，最适合蛋白质组学和全面的质谱数据处理。如需简单的谱图比较或代谢物鉴定，请使用matchms。

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。

使用scikit-survival库在Python中进行生存分析和事件发生时间建模的综合工具包。当处理删失生存数据、执行事件发生时间分析、拟合Cox模型、随机生存森林、梯度提升模型或生存支持向量机、使用一致性指数或Brier评分评估生存预测、处理竞争风险，或使用scikit-survival库实现任何生存分析流程时，请使用此技能。

获取主要科学出版平台（如《自然》、《科学》、PLOS、IEEE、ACM）、学术会议（如NeurIPS、ICML、CVPR、CHI）、研究展板及基金申请（如NSF、NIH、DOE、DARPA）的完整LaTeX模板、格式要求和投稿指南。当准备期刊投稿论文、会议论文、研究展板或基金申请时，如需遵循特定投稿平台的格式要求和模板，应使用此技能。