Seaborn 是一个 Python 可视化库，用于创建出版质量的统计图形。使用此技能以最少的代码进行面向数据集的绘图、多变量分析、自动统计估计和复杂的多面板图形。

scvi-tools 是一个用于单细胞基因组学概率模型的综合 Python 框架。它基于 PyTorch 和 PyTorch Lightning 构建，提供使用变分推理的深度生成模型，用于分析不同的单细胞数据模式。

scikit-survival 是一个基于 scikit-learn 构建的用于生存分析的 Python 库。它提供了用于事件发生时间分析的专用工具，可应对某些观察结果仅部分已知的审查数据的独特挑战。

该技能为使用 scikit-learn（用于经典机器学习的行业标准 Python 库）执行机器学习任务提供了全面的指导。使用此技能进行分类、回归、聚类、降维、预处理、模型评估和构建可用于生产的 ML 管道。

scikit-bio 是一个用于处理生物数据的综合 Python 库。将此技能应用于涵盖序列操作、比对、系统发育学、微生物生态学和多元统计的生物信息学分析。

科学写作是精确、清晰地传达研究成果的过程。使用 IMRAD 结构、引文（APA/AMA/温哥华）、图表/表格和报告指南（CONSORT/STROBE/PRISMA）撰写手稿。将此技能应用于研究论文和期刊提交。

科学可视化将数据转化为清晰、准确的数字以供发布。使用多面板布局、误差线、重要性标记和色盲安全调色板创建日志就绪绘图。使用 matplotlib、seaborn 和plotly 将手稿导出为 PDF/EPS/TIFF。

科学演示是交流研究、分享发现以及与学术和专业观众互动的重要媒介。这项技能为创建有效的科学演示提供了全面的指导，从结构和内容开发到视觉设计和交付准备。

科学原理图和图表将复杂的概念转化为清晰的视觉表示以供出版。使用一流的 Python 库生成神经网络架构、流程图、电路图、生物途径和系统图。所有图表均创建为 SVG/EPS 文件，存储在图形/子文件夹中，并在论文/海报中引用 - 从未直接嵌入到 LaTeX 中。

批判性思维是评估科学严谨性的系统过程。使用 GRADE 和 Cochrane ROB 框架评估方法、实验设计、统计有效性、偏差、混杂因素和证据质量。运用这项技能对科学主张进行批判性分析。

科学头脑风暴是产生新颖研究想法的对话过程。作为研究构思合作伙伴，提出假设、探索跨学科联系、挑战假设并开发方法。运用这项技能创造性地解决科学问题。

应用 ScholarEval 框架系统地评估学术和研究工作。该技能提供基于同行评审的研究评估标准的结构化评估方法，能够跨多个质量维度对学术论文、研究计划、文献综述和学术写作进行全面分析。

Scanpy 是一个可扩展的 Python 工具包，用于分析单细胞 RNA-seq 数据，基于 AnnData 构建。将此技能应用于完整的单细胞工作流程，包括质量控制、标准化、降维、聚类、标记基因识别、可视化和轨迹分析。

该技能可以通过 OpenRouter 使用 Perplexity 的声纳模型进行实时研究信息查找。它根据查询复杂性在 Sonar Pro（快速、高效的查找）和 Sonar Reasoning Pro（深度分析推理）之间进行智能选择。该技能提供对当前学术文献、最新研究、技术文档和一般研究信息的访问，并提供适当的引用和来源归属。

研究资助写作是为联邦机构和基金会制定有竞争力的资助提案的过程。掌握 NSF（美国国家科学基金会）、NIH（美国国立卫生研究院）、DOE（能源部）和 DARPA（国防高级研究计划局）提交的机构特定要求、审查标准、叙述结构、预算准备和合规性。

ReportLab 是一个功能强大的 Python 库，用于以编程方式生成 PDF。使用表格、图表、图像和交互式表单创建从简单文档到复杂报告的任何内容。

Reactome 是一个免费、开源、精心策划的通路数据库，包含 2,825 多个人类通路。查询生物通路、执行过度表达和表达分析、将基因映射到通路、通过 REST API 和 Python 客户端探索分子相互作用以进行系统生物学研究。

RDKit 是一个综合性化学信息学库，提供用于分子分析和操作的 Python API。该技能为读/写分子结构、计算描述符、指纹识别、子结构搜索、化学反应、2D/3D 坐标生成和分子可视化提供指导。将此技能用于药物发现、计算化学和化学信息学研究任务。

PyTorch Lightning 是一个深度学习框架，它组织 PyTorch 代码以消除样板文件，同时保持充分的灵活性。自动化训练工作流程、多设备编排，并跨多个 GPU/TPU 实施神经网络训练和扩展的最佳实践。

PyTDC 是一个开放科学平台，为药物发现和开发提供人工智能就绪的数据集和基准。访问涵盖整个治疗流程的精选数据集，包括标准化评估指标和有意义的数据分割，这些数据集分为三类：单实例预测（分子/蛋白质特性）、多实例预测（药物-靶标相互作用，DDI）和生成（分子生成、逆合成）。