多目标优化框架。NSGA-II、NSGA-III、MOEA/D、帕累托前沿、约束处理、基准测试（ZDT、DTLZ），适用于工程设计与优化问题。

基因组文件工具包。读取/写入SAM/BAM/CRAM比对结果、VCF/BCF变异、FASTA/FASTQ序列，提取区域，计算覆盖度，适用于NGS数据处理流程。

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。

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。

评估科学主张和证据质量，用于评估实验设计的有效性、识别偏倚和混杂因素、应用证据分级框架（如GRADE、Cochrane偏倚风险评估）或教授批判性分析。适用于理解证据质量、发现缺陷。正式的同行评审撰写请使用“同行评审”功能。

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。

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。