上传之前，请确认用户已为其目标站点安装并配置了 Drupal Canvas CLI。

每个 component.yml 必须包含以下顶级键：

Canvas 组件是以下组件的包：

与具有许多 props 的整体组件相比，更喜欢小型、集中的组件。当一个组件开始积累许多不相关的 props 时，请将其分解为更小的、可组合的部分。

本 Skill 实现基于 MACD 的多时间级别嵌套动能理论分析系统，提供：

ZINC 是一个可免费访问的存储库，包含 UCSF 维护的 2.3 亿多个可购买化合物。通过 ZINC ID 或 SMILES 进行搜索，执行相似性搜索，下载 3D 就绪结构进行对接，发现用于虚拟筛选和药物发现的类似物。

除非用户或现有模板另有说明

Vaex 是一个高性能 Python 库，专为惰性、核外 DataFrame 设计，用于处理和可视化太大而无法装入 RAM 的表格数据集。 Vaex 每秒可以处理超过十亿行，从而能够对数十亿行的数据集进行交互式数据探索和分析。

撰写有关医学和心脏病学的数据驱动、证据优先的长篇 Twitter 内容。有数据支持的结论。没有对冲。没有愚蠢。没有行话墙。

Hugging Face Transformers 库提供对数千个预训练模型的访问，这些模型适用于 NLP、计算机视觉、音频和多模态领域的任务。使用此技能来加载模型、执行推理以及对自定义数据进行微调。

TorchDrug 是一个基于 PyTorch 的综合机器学习工具箱，用于药物发现和分子科学。将图神经网络、预训练模型和任务定义应用于分子、蛋白质和生物知识图，包括分子属性预测、蛋白质建模、知识图推理、分子生成、逆合成规划，具有 40 多个精选数据集和 20 多个模型架构。

SymPy 是一个用于符号数学的 Python 库，它可以使用数学符号而不是数值近似进行精确计算。该技能为使用 SymPy 执行符号代数、微积分、线性代数、方程求解、物理计算和代码生成提供全面的指导。

使用三个免费工具进行程序化趋势研究：

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。

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。

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 Search（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。

Qiskit 是世界上最流行的开源量子计算框架，下载量超过 1300 万次。构建量子电路，优化硬件，在模拟器或真实量子计算机上执行，并分析结果。支持 IBM Quantum（100 多个量子位系统）、IonQ、Amazon Braket 和其他提供商。

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）。