Opentrons 是一个基于 Python 的实验室自动化平台，适用于 Flex 和 OT-2 机器人。编写用于液体处理、控制硬件模块（加热器摇床、热循环仪）、管理实验室器具、自动移液工作流程的协议 API v2 协议。

开放靶标平台是一个综合资源，用于系统识别和优先排序潜在的治疗药物靶标。它集成了公开可用的数据集，包括人类遗传学、组学、文献和化学数据，以建立目标疾病关联并对其进行评分。

OMERO 是一个用于管理、可视化和分析显微镜图像和元数据的开源平台。通过 Python API 访问图像、检索数据集、分析像素、管理 ROI 和注释，以实现高内容筛选和显微镜工作流程。

NeuroKit2 是一个用于处理和分析生理信号（生物信号）的综合 Python 工具包。使用此技能处理心血管、神经、自主、呼吸和肌肉信号，以进行心理生理学研究、临床应用和人机交互研究。

NetworkX 是一个用于创建、操作和分析复杂网络和图形的 Python 包。在处理网络或图形数据结构时使用此技能，包括社交网络、生物网络、运输系统、引文网络、知识图或涉及实体之间关系的任何系统。

Molfeat 是一个用于分子特征化的综合 Python 库，它统一了 100 多个预先训练的嵌入和手工制作的特征器。将化学结构（SMILES 字符串或 RDKit 分子）转换为机器学习任务的数值表示，包括 QSAR 建模、虚拟筛选、相似性搜索和深度学习应用。具有快速并行处理、scikit-learn 兼容变压器和内置缓存。

Modal 是一个无服务器平台，用于以最少的配置在云中运行 Python 代码。在强大的 GPU 上执行功能，自动扩展到数千个容器，并且只需为使用的计算付费。

代谢组学工作台是一个由 NIH 共同基金资助的综合平台，托管在 UCSD，作为代谢组学研究数据的主要存储库。它提供了对 4,200 多项经过处理的研究（3,790 多项公开可用）的编程访问、通过 RefMet 标准化代谢物命名法以及跨多个分析平台（GC-MS、LC-MS、NMR）的强大搜索功能。

Medchem 是一个用于药物发现工作流程中的分子过滤和优先级排序的 Python 库。应用数百个完善的新型分子过滤器、结构警报和药物化学规则，大规模有效地对化合物库进行分类和优先排序。规则和过滤器是特定于上下文的 - 与领域专业知识相结合作为指南。

Matplotlib 是 Python 的基础可视化库，用于创建静态、动画和交互式绘图。该技能提供了有效使用 matplotlib 的指导，涵盖 pyplot 界面（MATLAB 风格）和面向对象的 API（图/轴），以及创建出版质量可视化的最佳实践。

Matchms 是一个用于质谱数据处理和分析的开源 Python 库。从各种格式导入光谱、标准化元数据、过滤峰值、计算光谱相似性并构建可重复的分析工作流程。

MarkItDown 是一个 Python 实用程序，可将各种文件格式转换为 Markdown 格式，并针对大型语言模型和文本分析管道的使用进行了优化。它保留文档结构（标题、列表、表格、超链接），同时生成干净、高效的 Markdown 输出。

按照严格的学术方法进行系统、全面的文献综述。搜索多个文献数据库，按主题综合研究结果，验证所有引用的准确性，并生成 Markdown 和 PDF 格式的专业输出文档。

研究海报是会议、研讨会和学术活动中科学交流的重要媒介。该技能为使用 LaTeX 包创建专业的、具有视觉吸引力的研究海报提供了全面的指导。生成具有适当布局、排版、配色方案和视觉层次结构的出版质量海报。

Latch 是一个 Python 框架，用于将生物信息学工作流程构建和部署为无服务器管道。基于 Flyte 构建，使用 @workflow/@task 装饰器创建工作流，使用 LatchFile/LatchDir 管理云数据，配置资源并集成 Nextflow/Snakemake 管道。

LaminDB 是一个开源生物学数据框架，旨在使数据可查询、可追踪、可重现和公平（可查找、可访问、可互操作、可重用）。它提供了一个统一的平台，通过单个 Python API 将 Lakehouse 架构、谱系跟踪、特征存储、生物本体、LIMS（实验室信息管理系统）和 ELN（电子实验室笔记本）功能结合在一起。

LabArchives 是一个用于研究文档和数据管理的电子实验室笔记本平台。访问笔记本、管理条目和附件、生成报告以及通过 REST API 以编程方式与第三方工具集成。

KEGG（京都基因和基因组百科全书）是用于生物途径分析和分子相互作用网络的综合生物信息学资源。

假设生成是开发可检验解释的系统过程。根据观察形成基于证据的假设、设计实验、探索相互竞争的解释并做出预测。将这项技能应用于跨领域的科学探究。

Hypogenic 使用大型语言模型提供自动假设生成和测试，以加速科学发现。该框架支持三种方法：HypoGeniC（数据驱动假设生成）、HypoRefine（协同文献和数据集成）和 Union 方法（文献和数据驱动假设的机械组合）。