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。

用于精细分子控制的化学信息学工具包。支持SMILES/SDF解析、描述符（分子量、LogP、TPSA）、指纹、子结构搜索、二维/三维生成、相似性计算和反应分析。如需标准工作流及更简洁的界面，请使用datamol（基于RDKit的封装）；如需高级控制、自定义净化或专用算法，请使用RDKit。

查询 Reactome REST API 以进行通路分析、富集分析、基因-通路映射、疾病通路、分子互作和表达分析，用于系统生物学研究。

通过并行聊天API（主要）或Perplexity sonar-pro-search（学术论文搜索）查找最新的研究信息。自动将查询路由至最佳后端。用于查找论文、收集研究数据和验证科学信息。

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。

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。

生物数据工具包。用于微生物组分析的序列分析、比对、系统发育树、多样性指标（α/β、UniFrac）、排序（PCoA）、PERMANOVA、FASTA/Newick 输入/输出。

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。

使用 scVelo 进行 RNA 速度分析：根据未剪接/剪接 mRNA 的动力学估算细胞状态转变，推断轨迹方向，计算潜在时间，并在单细胞 RNA-seq 数据中识别驱动基因。与 Scanpy/scVI-tools 相辅相成，用于轨迹推断。