治疗数据commons：AI就绪的药物发现数据集（ADME、毒性、DTI）、基准测试、骨架拆分、分子预测模型，用于治疗学机器学习和药理预测。

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。

使用 pyzotero Python 客户端与 Zotero 参考文献管理库进行交互。通过 Zotero Web API v3 检索、创建、更新和删除条目、集合、标签和附件。在程序化处理 Zotero 库、管理参考文献、导出引文、搜索库内容、上传 PDF 附件或构建与 Zotero 集成的研究自动化工作流时使用此功能。

IBM 量子计算框架。适用于针对 IBM 量子硬件、使用 Qiskit Runtime 处理生产工作负载，或需要 IBM 优化工具的场景。最适合在 IBM 硬件上执行、量子误差缓解和企业级量子计算。如需使用谷歌硬件，请选用 Cirq；如需基于梯度的量子机器学习，请选用 PennyLane；如需开放量子系统仿真，请选用 QuTiP。

为NSF、NIH、DOE、DARPA和台湾NSTC撰写具有竞争力的研究提案，涵盖机构特定的格式要求、评审标准、预算编制、广泛影响、重要性陈述、创新叙述以及符合提交要求。

使用ScholarEval框架系统性地评估学术成果，从问题提出、方法论、分析和写作等研究质量维度进行结构化评估，并提供量化评分和可操作的反馈意见。

创意研究构想与探索。适用于开放式头脑风暴、探索跨学科联系、质疑假设或识别研究空白。最适合在尚未有具体观察结果的早期研究规划阶段使用。如需根据数据生成可检验的假设，请使用假设生成。

使用 Nano Banana 2 AI 创建符合出版标准的科学图表，具备智能迭代优化功能。采用 Gemini 3.1 Pro 预览版进行质量审核，仅当图表质量低于您文档类型的阈值时才重新生成。专精于神经网络架构、系统图、流程图、生物通路及复杂的科学可视化。

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。