生物信息学工作流的锁扣平台。使用 Latch SDK、@workflow/@task 装饰器构建流水线，部署无服务器工作流，支持 LatchFile/LatchDir，集成 Nextflow/Snakemake。

一种与硬件无关的量子机器学习框架，支持自动微分。适用于通过梯度训练量子电路、构建混合量子-经典模型，或需在IBM/Google/Rigetti/IonQ等设备间实现跨平台兼容的场景。最适合用于变分算法（VQE、QAOA）、量子神经网络，以及与PyTorch/JAX/TensorFlow的集成。如需针对特定硬件的优化，请使用Qiskit（IBM）或Cirq（Google）；如需处理开放量子系统，请使用QuTiP。

使用MAFFT（多重序列比对）、IQ-TREE 2（最大似然法）和FastTree（快速NJ/ML）构建与分析系统发育树，并通过ETE3或FigTree进行可视化。适用于进化分析、微生物基因组学、病毒系统动力学、蛋白家族分析及分子钟研究。

使用 PyMC 进行贝叶斯建模：构建分层模型、MCMC（NUTS）、变分推断、LOO/WAIC 比较、后验检验，用于概率编程与推断。

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。

为科研报告制作幻灯片和演示文稿。适用于制作PowerPoint幻灯片、会议报告、研讨会演讲、研究展示、论文答辩幻灯片或任何科学演讲。提供幻灯片结构、设计模板、时间安排指导和视觉验证功能，兼容PowerPoint和LaTeX Beamer。

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。

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。

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。