尋找可購買的化合物用於藥物發現既耗時又需要專業的資料庫知識。此技能提供完整的文檔，指導如何存取擁有 2.3 億以上化合物的 ZINC 資料庫，實現高效的虛擬篩選、相似性搜尋和 3D 結構下載，用於分子對接研究。

尋找專利及商標資訊需要瀏覽多個USPTO系統。此技能提供對PatentSearch、PEDS、TSDR和轉讓資料庫的統一存取，以進行全面的智慧財產研究。

使用 TorchDrug 機器學習函式庫預測分子屬性、生成新化合物並分析蛋白質。在分子、蛋白質和生物醫學知識圖譜上訓練圖神經網路，用於藥物發現和計算化學任務。

統計分析技能對研究至關重要，但需要正確的方法論。本工具包提供假設檢定、迴歸、貝氏方法和 APA 報告的全面指導，協助研究人員進行嚴謹、可重現的分析。

具有佇列和共享資源的複雜系統若不進行模擬就難以分析。SimPy 提供基於 Python 的框架,用於建模流程、資源和基於時間的事件,以在實施前預測系統行為。

單細胞基因組學分析需要專門的機率模型來進行維度縮減、批次校正和跨不同模態的整合。scvi-tools 提供基於 PyTorch 的深度生成模型，用於全面的單細胞數據分析。

生物研究需要專門的工具來進行DNA序列分析、系統發育樹和多樣性指標。本技能提供使用scikit-bio處理序列、計算α和β多樣性以及對微生物組數據進行統計檢測的指導。

科學家們花費大量時間為期刊投稿格式化圖表。此技能提供預先配置的 matplotlib 樣式、適合色盲使用的配色方案，以及自動化導出工具，讓您能在幾分鐘內創建專業圖表，而非數小時。

為會議、研討會和論文答辯建立專業的科學簡報。產生由 AI 驅動的投影片，使用一致的格式，利用 LaTeX Beamer 範本，並遵循研究支持的設計原則。

科學主張往往未經質疑，尽管它們可能包含方法論缺陷、偏見和誇大的結論。此技能提供系統化的框架，使用GRADE和Cochrane ROB等既定方法來評估研究質量，從而實現準確的證據評估。

科學家需要新的研究方向，但常常陷入既定的思維模式。這個技能作為協作構思夥伴，透過結構化腦力激盪技術來產生假設、探索跨學科的意外聯繫，並開發創新方法論。

尋找當前的研究和學術論文需要大量時間。此技能使用透過 OpenRouter 的 Perplexity Sonar 模型來搜尋學術文獻、近期研究和技術文檔，並包含自動引用。

為聯邦機構撰寫具有競爭力的研究補助金提案既複雜又耗時。此技能提供針對特定機構的指導、模板和最佳實踐，適用於 NSF、NIH、DOE 和 DARPA 的提案。

研究生物途徑需要搜索多個資料庫並進行統計分析。此技能可直接存取 Reactome 資料庫 REST API，用於途徑富集分析、基因-途徑映射和分子互動查詢。

RDKit 是一個強大的開源化學資訊庫，可用於分子分析。此技能提供全面的指導，包括計算分子性質、執行相似性搜索、按子結構篩選化合物，以及視覺化化學結構。

量子計算開發需要了解複雜的電路設計、轉譯和硬體特定的優化。此技能提供全面的指導，協助建立量子電路、在模擬器或真實硬體上執行 VQE 和 QAOA 等演算法，並視覺化結果。

處理藥物發現數據集需要導航分散的來源和不一致的格式。PyTDC 提供 50 多個精心策劃的治療機器學習數據集，帶有標準化的 API、有意義的數據分割和基準評估協議。

工程師和研究人員需要在成本、重量和效能等相互衝突的目標之間找到最佳平衡點。此技能透過 pymoo 提供 NSGA-II、NSGA-III 及其他演化演算法,以發現複雜設計問題的帕累托最優解。

開發醫療保健領域的機器學習模型需要了解複雜的臨床資料格式、醫療編碼系統和專業的模型架構。此技能提供使用 PyHealth 建構、訓練和評估臨床預測模型的全面指導，適用於死亡率預測、藥物推薦和醫療編碼任務。

以統計嚴謹性從大量 RNA-seq 計數資料中識別差異表現基因。PyDESeq2 提供完整的 DESeq2 工作流程,包括標準化、離散度估計、Wald 檢定、FDR 校正以及適合發表的視覺化圖表。