arboreto
استنتاج شبكات التنظيم الجيني من بيانات التعبير الجيني
متاح أيضًا من: davila7
يحدد استنتاج شبكة التنظيم الجيني علاقات عامل النسخ-الجين المستهدف من بيانات Transcriptomics. يوفر Arboreto تطبيقات قابلة للتوسع لخوارزميات GRNBoost2 و GENIE3 التي تعالج بيانات RNA-seq السائبة والخلايا المفردة على الآلات المحلية أو المجموعات الموزعة.
تنزيل ZIP المهارة
رفع في Claude
اذهب إلى Settings → Capabilities → Skills → Upload skill
فعّل وابدأ الاستخدام
اختبرها
استخدام "arboreto". استنتاج شبكة تنظيم جيني من expression_data.tsv باستخدام arboreto
النتيجة المتوقعة:
- تحتوي الشبكة على 1500 رابط تنظيمي
- أعلى المنظمات: TF1 (45 هدف)، TF2 (38 هدف)، TF3 (32 هدف)
- أعلى أهمية: TF1 -> gene5 (0.92 درجة أهمية)
استخدام "arboreto". تشغيل GRNBoost2 مع تصفية عامل النسخ على بيانات الخلايا المفردة
النتيجة المتوقعة:
- معالجة 8000 خلية × 20000 جين
- تمت التصفية إلى 250 عامل نسخ معروف
- تم استنتاج الشبكة في 4.2 دقيقة على المجموعة المحلية
- أعلى منظم لنوع الخلية: MYC (87 هدف، متوسط أهمية 0.78)
التدقيق الأمني
آمنAll 118 static findings are FALSE POSITIVES. The analyzer misidentified markdown Python code blocks (using triple backticks) as shell command execution, genetic algorithm names (GENIE3, GRNBoost2) as weak cryptographic algorithms, and Dask cluster configuration examples as C2/network reconnaissance. Arboreto is a legitimate open-source bioinformatics library for gene regulatory network inference from transcriptomics data. The only Python script (scripts/basic_grn_inference.py:1-97) is benign code that imports standard libraries and performs standard bioinformatics computations.
عوامل الخطر
⚙️ الأوامر الخارجية (2)
🌐 الوصول إلى الشبكة (2)
درجة الجودة
ماذا يمكنك بناءه
تحليل شبكة التنظيم الجيني للخلايا المفردة
استنتاج شبكات التنظيم الخاصة بنوع الخلية من بيانات scRNA-seq لفهم عدم تجانس الخلايا.
استنتاج شبكة RNA-seq السائبة
تحديد أهداف عامل النسخ في مجموعات بيانات التعبير السائبي مع تصفية عامل النسخ للتحليل المركزة.
شبكة التنظيم الجيني واسعة النطاق الموزعة
معالجة مجموعات البيانات مع thousands of samples باستخدام مجموعات Dask لبيئات الحوسبة عالية الأداء.
جرّب هذه الموجهات
Use arboreto to infer a gene regulatory network from my expression matrix in expression_data.tsv. Save results to network.tsv.
Run grnboost2 on expression_data.tsv using only the transcription factors listed in tfs.txt. Set seed to 42 for reproducibility.
Connect to my Dask cluster at tcp://scheduler:8786 and run grnboost2 on my large dataset with verbose output enabled.
Infer separate GRN networks for control, treatment_24h, and treatment_48h expression datasets using grnboost2. Save each with the corresponding condition name.
أفضل الممارسات
- استخدم دائمًا حراسة 'if __name__ == __main__:' في البرامج النصية لأن Dask يولد عمليات جديدة
- عين بذرة عشوائية للنتائج القابلة للتكرار عند مقارنة الشبكات
- قم بتصفية قائمة عامل النسخ إلى عوامل النسخ المعروفة لتقليل وقت الحساب
تجنب
- تشغيل arboreto بدون تصفية عامل النسخ على مجموعات البيانات الكبيرة يتسبب في وقت حساب مفرط
- نسيان حراسة 'if __name__ == __main__:' يتسبب في أخطاء توليد عملية Dask
- استخدام GENIE3 على مجموعات البيانات مع thousands of observations بطيء؛ يفضل GRNBoost2 للبيانات الكبيرة
الأسئلة المتكررة
ما الفرق بين GRNBoost2 و GENIE3؟
ما صيغة الإدخال التي يتوقعها arboreto؟
كيف تعمل الحوسبة الموزعة؟
ماذا يعني الإخراج؟
كيف أقوم بتصفية النتائج؟
هل يمكنني استخدام هذا مع pySCENIC؟
تفاصيل المطور
المؤلف
K-Dense-AIالترخيص
BSD-3-Clause license
المستودع
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/arboretoمرجع
main
بنية الملفات