科研技能套件

Latch平台支持使用Latch SDK构建生物信息学管道，提供@workflow/@task装饰器，便于部署无服务器工作流。它兼容LatchFile/LatchDir，并集成了Nextflow和Snakemake，提升了工作流的灵活性和可扩展性。

cellxgene-census 插件可查询 CZ CELLxGENE Census 中的6100万+细胞数据。用户可以按细胞类型、组织或疾病进行过滤，轻松检索表达数据，并与 scanpy/PyTorch 集成，适合大规模单细胞分析。

该工具包提供评估方法论、统计分析、设计标准、可重复性、伦理考量及图表完整性等功能，适用于跨学科的手稿和资助申请的评审，确保评审过程的规范性和高效性。

该插件允许用户访问电子实验室笔记本，管理条目和附件，并进行备份。它还支持与Protocols.io、Jupyter和REDCap的集成，适用于程序化的ELN工作流。

系统发育树工具包（ETE）提供树操作（支持Newick/NHX格式）、进化事件检测、同源性与旁系性分析、NCBI分类及可视化功能（PDF/SVG）。该工具适用于系统发育基因组学研究，帮助用户高效处理和分析系统发育数据。

scikit-learn支持多种机器学习任务，包括监督学习（分类、回归）和无监督学习（聚类、降维）。它还提供模型评估、超参数调优及数据预处理功能，帮助用户构建高效的机器学习管道，并附有全面的参考文档。

该工具可用于发现药物靶点，提供靶标-疾病关联、药物靶标发现、可追溯性和安全性数据，以及遗传学和组学证据，帮助研究人员识别治疗靶标。

该工具允许用户通过文本、序列或结构进行搜索，下载PDB/mmCIF格式的坐标，并检索相关元数据。非常适合结构生物学和药物发现领域的研究人员使用。

DNAnexus云基因组平台支持应用程序和小程序的构建，提供数据管理（上传/下载）功能，集成dxpy Python SDK，能够高效运行工作流，兼容FASTQ、BAM和VCF格式，适用于基因组管道的开发与执行。

pymoo是一个多目标优化框架，支持NSGA-II、NSGA-III、MOEA/D等算法，能够处理Pareto前沿和约束问题。它适用于工程设计和优化任务，并提供多种基准测试（如ZDT、DTLZ），帮助用户高效解决复杂优化问题。

pufferlib 是一款高性能的强化学习助手，专注于强化学习任务的处理。它支持自定义环境开发、向量化并行仿真以及多智能体系统，能够与现有的 RL 环境（如 Gymnasium、PettingZoo、Atari、Procgen 等）无缝集成。

pennylane 是一个跨平台的 Python 库，专注于量子计算、量子机器学习和量子化学。它支持构建和训练量子电路，具备自动微分功能，并与 PyTorch、JAX 和 TensorFlow 无缝集成，能够在模拟器和量子硬件上独立执行。

该工具允许用户检索DNA/RNA序列、原始读取（FASTQ）以及按获取号检索基因组组装，适用于基因组学和生物信息学管道。支持多种数据格式，便于集成到各种科研工作中。

该插件允许用户按疾病、药物、地点、状态或阶段搜索临床试验。用户可以通过NCT ID获取试验详细信息，并导出相关数据，适用于临床研究和患者匹配。

该插件允许用户查询ChEMBL数据库中的生物活性分子和药物发现数据。用户可以按结构或属性搜索化合物，检索生物活性数据（如IC50、Ki），查找抑制剂，并进行SAR研究，广泛适用于药物化学领域。

Astropy是一个功能强大的Python库，专门用于处理天文数据。它支持天体坐标、物理单位、FITS文件、宇宙学计算等多种功能，适合天文学和天体物理学研究中的数据分析与处理。

Scanpy 是一款专为单细胞RNA测序设计的分析工具，支持加载 .h5ad 和 10X 数据。它提供质量控制、归一化、PCA/UMAP/t-SNE 降维、Leiden 聚类、标记基因识别、细胞类型注释及轨迹分析等功能，适用于全面的 scRNA-seq 数据分析。

统计建模工具包提供OLS、GLM、逻辑回归、ARIMA等多种统计分析方法，适用于时间序列分析和假设检验。它为严格的统计推断和计量经济学分析提供了强有力的支持，帮助用户进行深入的数据分析。

Polars是一个基于Apache Arrow的高性能数据分析库，提供快速的DataFrame操作。它支持选择、过滤、分组、连接等功能，并具备惰性求值和CSV/Parquet输入输出能力，非常适合高性能数据分析工作流。

该插件允许用户直接通过REST API访问PubMed数据库，支持高级布尔/MeSH查询和E-utilities API。适用于批处理和引用管理，推荐在Python工作流中使用biopython（Bio.Entrez），也可用于自定义API实现。

该平台支持在云端运行Python代码，适合部署机器学习模型、执行批处理作业和调度计算密集型任务。通过无服务器容器和自动扩展功能，用户可以轻松提供需要GPU加速或动态扩展的API服务。

该插件用于处理时间序列机器学习任务，包括分类、回归、聚类、预测、异常检测等。它适合处理时间数据和序列模式，能够满足需要专门算法的时间索引观察需求。

pylabrobot 是一款实验室自动化控制工具，支持液体处理器、板读器、泵等设备的操作。它适用于自动化实验室工作流程、编程液体处理机器人（如 Hamilton STAR、Opentrons OT-2、Tecan EVO）以及集成各种实验室设备。

该插件支持多种强化学习算法（如 PPO、SAC、DQN 等），允许用户创建自定义 Gym 环境，并实现监控和控制的回调功能。它还支持使用向量化环境进行并行训练，便于与深度 RL 工作流程集成。

RDKit 是一个强大的化学信息学工具包，支持 SMILES/SDF 解析、分子描述符计算、指纹生成、子结构搜索以及 2D/3D 分子结构生成等功能。它适用于分子相似性分析和化学反应模拟，用户也可以通过 datamol 访问更简化的接口。

使用数据公共平台（Data Commons），您可以轻松获取全球来源的公共统计数据。此插件适用于处理人口、经济、健康和环境等多种数据集，帮助开发者高效利用 API 进行数据分析。

flowio 是一款流式细胞仪数据解析工具，支持解析 FCS 文件（版本 2.0-3.1），可将事件提取为 NumPy 数组，读取元数据和通道信息，并转换为 CSV/DataFrame，便于流式细胞术数据的预处理。

该插件帮助用户从观察中生成可测试的假设，设计实验以验证这些假设，并探索竞争解释和预测机制。适用于各领域的科学探究，提升研究效率与准确性。

torchdrug 是一个基于图的药物发现工具包，支持分子属性预测（ADMET）、蛋白质建模、知识图推理等功能。它集成了多种 GNN 模型（如 GIN、GAT、SchNet），并提供 40 多个数据集，适用于基于 PyTorch 的生物医学图机器学习。

该插件使用先进的AI模型（如FLUX、Gemini）生成和编辑各种图像，适用于照片、插图、艺术作品等多种视觉资产。无论是概念艺术还是非技术性图表，均可快速生成高质量图像，满足您的创作需求。

OpenAlex文献查询工具利用OpenAlex数据库，帮助用户搜索学术论文、分析研究趋势、查找作者或机构的作品，并跟踪引用。该工具还支持发现开放获取出版物和进行文献计量分析，适合研究人员和学术机构使用。

该插件利用大型语言模型自动生成和测试科学假设。用户可以从数据集中生成假设，结合文献见解与实证数据，进行观察数据的假设测试或系统假设探索，提升研究效率。

该插件支持加载SpikeGLX/OpenEphys数据，进行预处理、运动校正及Kilosort4刺激排序。适用于Neuropixels 1.0/2.0的细胞外电生理学，提供质量指标和AI辅助视觉分析，助力神经记录和刺激排序的高效处理。

该插件支持多面板布局、误差条和显著性标记，确保色盲友好。用户可以导出 PDF、EPS 和 TIFF 格式，适合期刊准备的科学图表。

该插件帮助用户轻松创建研究演讲所需的幻灯片和演示文稿，适用于PowerPoint、会议、研讨会及论文答辩等场合。提供幻灯片结构、设计模板、时间指导和视觉验证，提升演示效果。

该工具帮助用户撰写多种类型的临床报告，包括病例报告、诊断报告、临床试验报告及患者文档。提供丰富的模板和合规支持，确保符合HIPAA、FDA及ICH-GCP标准。

PyTorch Lightning 是一个深度学习框架，旨在简化 PyTorch 代码的组织。通过将代码结构化为 LightningModules，支持多 GPU/TPU 训练，提供数据管道、回调和日志记录功能，适用于可扩展的神经网络训练。

该插件为用户提供访问主要科学出版场所、学术会议、研究海报和资助提案的LaTeX模板、格式要求和提交指南的全面资源，帮助研究人员高效准备学术材料。

adaptyv是一个云实验室平台，专为自动化蛋白质测试和验证而设计。它支持结合测定、表达测试、热稳定性测量、酶活性测定及蛋白质序列优化等实验验证，帮助科研人员高效进行蛋白质研究。

Matplotlib 是一个强大的科学可视化绘图工具，能够创建折线图、散点图、条形图、直方图、热图和 3D 图等多种图形。它支持导出 PNG、PDF 和 SVG 格式，广泛应用于科学可视化和出版图形。

pysam 是一个功能强大的基因组文件处理工具，支持读取和写入 SAM/BAM/CRAM 对齐文件、VCF/BCF 变体以及 FASTA/FASTQ 序列。它能够提取特定区域数据并计算覆盖度，非常适合用于 NGS 数据处理管道。

pyopenms 是一个用于质谱数据分析的 Python 接口，基于 OpenMS。它支持 LC-MS/MS 蛋白质组学和代谢组学工作流程，包括多种文件格式的处理、信号处理、特征检测、肽识别和定量分析。