pydeseq2
تحليل التعبير الجيني التفاضلي لـ RNA-seq باستخدام PyDESeq2
متاح أيضًا من: davila7
يمكّن PyDESeq2 من تحليل التعبير الجيني التفاضلي من بيانات العدّ لـ RNA-seq بالجملة. أجرِ الاختبارات الإحصائية وتصحيح تعدد المقارنات وأنشئ مخططات بركان وMA جاهزة للنشر لأبحاثك الجينومية.
تنزيل ZIP المهارة
رفع في Claude
اذهب إلى Settings → Capabilities → Skills → Upload skill
فعّل وابدأ الاستخدام
اختبرها
استخدام "pydeseq2". Analyze my RNA-seq data and show top differentially expressed genes
النتيجة المتوقعة:
- اكتمل التحليل. تم العثور على 847 جينًا ذا دلالة (padj < 0.05)
- أعلى الجينات ذات الزيادة في التعبير:
- - GeneX: log2FC = 4.2, padj = 1.3e-15
- - GeneY: log2FC = 3.8, padj = 2.7e-12
- - GeneZ: log2FC = 3.5, padj = 5.1e-11
- أعلى الجينات ذات الانخفاض في التعبير:
- - GeneA: log2FC = -3.9, padj = 8.2e-14
- - GeneB: log2FC = -3.1, padj = 3.4e-10
- تم حفظ النتائج إلى deseq2_results.csv
التدقيق الأمني
آمنAll 429 static findings are false positives. The 'weak cryptographic algorithm' flags incorrectly match 'DES' in 'DESeq2' (a statistical method name, not cryptography). The 'external_commands' flags misinterpret markdown code fences as shell execution. Filesystem access is standard data I/O for bioinformatics workflows. Network access involves only documentation URLs. This is a legitimate scientific computing skill with no malicious code.
عوامل الخطر
📁 الوصول إلى نظام الملفات (2)
🌐 الوصول إلى الشبكة (1)
درجة الجودة
ماذا يمكنك بناءه
مقارنة المعالَج مقابل الضبط
تحديد الجينات ذات التعبير التفاضلي بين الظروف التجريبية باستخدام اختبار إحصائي مناسب وتصحيح FDR للحصول على نتائج جاهزة للنشر.
تحليل أطروحة RNA-seq
معالجة بيانات عدّ RNA-seq، وإجراء تحليل التعبير التفاضلي، وإنشاء رسومات بجودة النشر للأطروحة أو الأوراق البحثية.
معالجة RNA-seq على دفعات
أتمتة تحليل التعبير التفاضلي عبر شروط أو نقاط زمنية متعددة باستخدام البرنامج النصي لسطر الأوامر المضمن.
جرّب هذه الموجهات
Load my RNA-seq data from counts.csv and metadata.csv, then perform differential expression analysis comparing treated vs control samples using PyDESeq2
Analyze my RNA-seq data accounting for batch effects using design formula ~batch + condition, then test for treatment vs control differences
Run PyDESeq2 analysis on my data and create volcano and MA plots highlighting significant genes with padj < 0.05
Load RNA-seq data, filter genes with fewer than 20 total counts, use multi-factor design ~age + sex + condition, and identify genes with |log2FC| > 1 and padj < 0.01
أفضل الممارسات
- احرص دائمًا على إجراء transpose لمصفوفة العدّ إذا كانت الجينات على شكل صفوف (استخدم .T للحصول على تنسيق عينات × جينات)
- قم بترشيح الجينات منخفضة العدّ قبل التحليل لتحسين القدرة الإحصائية
- استخدم قيم p المعدلة (padj) وليس قيم p الخام لتحديد الدلالة
- تحقق من تطابق أسماء العينات تمامًا بين ملفات العدّ والبيانات الوصفية
تجنب
- لا تستخدم مطلقًا قيم p الخام لاختبارات متعددة - استخدم دائمًا قيم padj المصححة بـ FDR
- لا تطبق تقليص LFC قبل الاختبار الإحصائي - استخدمه بعد ذلك للتصور فقط
- تجنب التصاميم متعددة العوامل المعقدة دون حجم عينة كافٍ لكل شرط
- لا تقم أبدًا بإجراء transpose للبيانات الوصفية - فقط قم بإجراء transpose لمصفوفة العدّ عند الحاجة
الأسئلة المتكررة
لماذا أحصل على خطأ عدم تطابق الفهرس؟
هل يجب علي إجراء transpose لمصفوفة العدّ؟
ما الفرق بين pvalue و padj؟
متى يجب أن أستخدم تقليص LFC؟
كيف أتعامل مع تأثيرات الدُفعات في تحليلي؟
لماذا لا توجد جينات ذات دلالة في تحليلي؟
تفاصيل المطور
المؤلف
K-Dense-AIالترخيص
MIT license
المستودع
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/pydeseq2مرجع
main
بنية الملفات