Fähigkeiten cellxgene-census
🧬

cellxgene-census

Niedriges Risiko 🌐 Netzwerkzugriff

CELLxGENE Census Daten abfragen

Auch verfügbar von: davila7

Forscher benötigen Zugang zu umfangreichen Einzelzell-Genomik-Daten für Krankheitsforschung und Medikamentenentwicklung. Diese Skill bietet programmatischen Zugriff auf 61 Millionen Zellen aus dem CELLxGENE Census und ermöglicht bevölkerungsweite Abfragen ohne den Download vollständiger Datensätze.

Unterstützt: Claude Codex Code(CC)
⚠️ 67 Schlecht
1

Die Skill-ZIP herunterladen

2

In Claude hochladen

Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen

3

Einschalten und loslegen

Teste es

Verwendung von "cellxgene-census". Finde alle T-Zellen im Lungengewebe von COVID-19-Patienten

Erwartetes Ergebnis:

  • 45.230 Zellen gefunden, die den Kriterien entsprechen:
  • Zelltypen: CD4-positive T-Zelle (18.200), CD8-positive T-Zelle (12.450), regulatorische T-Zelle (8.230), NK-T-Zelle (6.350)
  • Datensätze: 12 Datensätze haben Daten beigetragen
  • Top-Gewebe: Lunge (45.230), Lymphknoten (12.100), Milz (8.450)

Verwendung von "cellxgene-census". Welche Gene werden in Neuronen exprimiert?

Erwartetes Ergebnis:

  • Abfrage ergab 2,1M Neuronenzellen über 245 Datensätze
  • Am stärksten exprimierte Gene (mittlere Expression):
  • - SNAP25: 8,4
  • - SYP: 7,2
  • - MAP2: 6,8
  • - NEUROD1: 5,9
  • - ELavl3: 5,4

Sicherheitsaudit

Niedriges Risiko
v5 • 1/21/2026

All 228 static findings are FALSE POSITIVEs. The scanner detected patterns in markdown documentation that are not actual security vulnerabilities. External command detections are backticks in code blocks. C2 keyword detections are the substring 'C2' in 'CELLxGENE'. Cryptographic algorithm detections are documentation patterns. System reconnaissance detections are the word 'reconnaissance' in documentation text. The skill is safe for publication.

4
Gescannte Dateien
3,343
Analysierte Zeilen
1
befunde
5
Gesamtzahl Audits

Risikofaktoren

🌐 Netzwerkzugriff (1)
SKILL.md:13
Auditiert von: claude Audit-Verlauf anzeigen →

Qualitätsbewertung

41
Architektur
90
Wartbarkeit
87
Inhalt
21
Community
90
Sicherheit
87
Spezifikationskonformität

Was du bauen kannst

Zelltypen in einem Gewebe erkunden

Fragen Sie den Census ab, um alle Zelltypen zu entdecken, die in einem bestimmten Gewebe vorhanden sind, wie z.B. Gehirn oder Lunge, zusammen mit den Häufigkeiten der Zelltypen.

Genexpressionsmarker analysieren

Fragen Sie Expressionsniveaus spezifischer Gene (CD4, CD8A, FOXP3) über Zelltypen und Krankheiten hinweg ab, um Markergene zu identifizieren.

Zelltypklassifizierer trainieren

Verwenden Sie Census-Daten mit PyTorch, um Machine-Learning-Modelle für Zelltypklassifizierungsaufgaben zu trainieren.

Probiere diese Prompts

Einfache Zellabfrage 
Finde alle Zellen vom Typ [CELL_TYPE] im Gewebe [TISSUE] aus dem CELLxGENE Census. Gib die Zellanzahl und Metadaten zurück.
Multi-Gen-Expressionsanalyse 
Frage Genexpression für [GENE1], [GENE2] und [GENE3] über alle Zelltypen im [DISEASE]-Datensatz ab. Zeige Expressionsmuster.
Gewebe-übergreifender Vergleich 
Vergleiche [CELL_TYPE]-Zellen über die Gewebe [TISSUE1], [TISSUE2] und [TISSUE3]. Welche Gene sind differentiell exprimiert?
Erstellung eines Machine-Learning-Datensatzes 
Erstelle einen Trainingsdatensatz aus dem Census für die [CELL_TYPE]-Klassifizierung. Schließe [COLUMNS]-Metadaten und Genexpressionsdaten ein.

Bewährte Verfahren

  • Filtern Sie immer nach is_primary_data == True, um doppelte Zellen in den Ergebnissen zu vermeiden
  • Geben Sie census_version explizit an für reproduzierbare Forschung
  • Schätzen Sie die Abfragegröße vor dem Laden großer Datensätze, um Speicherprobleme zu vermeiden

Vermeiden

  • Fragen Sie nicht ohne Filter ab - geben Sie immer Gewebe-, Zelltyp- oder Krankheitskriterien an
  • Laden Sie nicht alle Census-Daten auf einmal - verwenden Sie Filter und Spaltenauswahl, um die Datenübertragung zu reduzieren
  • Ignorieren Sie nicht das is_primary_data-Flag - es verhindert das Zählen doppelter Zellen

Häufig gestellte Fragen

Was ist der CELLxGENE Census?
Der CELLxGENE Census ist eine standardisierte, versionierte Sammlung von Einzelzell-Genomik-Daten, die 61+ Millionen Zellen von Menschen und Mäusen enthält. Er bietet programmatischen Zugriff auf Genexpressionsmatrizen, Metadaten und Embeddings.
Wie unterscheidet sich dies von scanpy oder scvi-tools?
Diese Skill fragt externe Census-Daten ab. Verwenden Sie scanpy oder scvi-tools, wenn Sie Ihre eigenen lokalen Datensätze analysieren. Der Census ist ideal für Referenzatlas-Vergleiche und bevölkerungsweite Abfragen.
Welche Organismen sind verfügbar?
Der Census enthält Daten von Homo sapiens (Mensch) und Mus musculus (Maus). Fragen Sie mit organism='Homo sapiens' oder organism='Mus musculus' ab.
Wie filtere ich Abfragen effektiv?
Verwenden Sie obs_value_filter für Zellmetadaten und var_value_filter für Genmetadaten. Kombinieren Sie Bedingungen mit 'and' oder 'or'. Verwenden Sie 'in' für mehrere Werte.
Was ist, wenn meine Abfrage zu groß für den Speicher ist?
Verwenden Sie die axis_query()-Methode mit iterativer Stapelverarbeitung. Dies ermöglicht Out-of-Core-Verarbeitung für Abfragen, die den verfügbaren RAM überschreiten.
Wie stelle ich reproduzierbare Ergebnisse sicher?
Geben Sie beim Öffnen des Census immer den census_version-Parameter an, z.B. census_version='2023-07-25'. Dies fixiert Ihre Analyse auf eine spezifische Datenveröffentlichung.

Entwicklerdetails

Lizenz

Unknown

Repository

https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/cellxgene-census

Ref

main

Dateistruktur

📁 references/

📄 census_schema.md

📄 common_patterns.md

📄 SKILL.md