📦

matchms

Name: matchms
Author: K-Dense-AI

Inhaltsrevision r1 Niedriges Risiko ⚡ Enthält Skripte📁 Dateisystemzugriff⚙️ Externe Befehle

Metabolomik-Massenspektren vergleichen

Metabolomik-Teams benötigen zuverlässige Möglichkeiten, Spektren zu bereinigen und unbekannte Verbindungen mit Bibliotheken zu vergleichen. Diese Skill führt Claude, Codex und Claude Code durch matchms-Workflows für Filterung, Ähnlichkeitsbewertung und Verbindungsidentifizierung.

Unterstützt: Claude Codex Code(CC)

📊 73 Angemessen

Mit meinem Agent installieren

Kopieren Sie diese Anfrage in Ihren Agent. Sie enthält die maßgebliche Skill-Seite und das Manifest.

Agent-Anfrage

Review the Skillstore skill "matchms" from https://skillstore.io/skills/k-dense-ai-matchms.md and its manifest at https://skillstore.io/api/skills/k-dense-ai-matchms/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.

Ihr Agent sollte weiterhin seinen Plan anzeigen und alle von der Sicherheitsrichtlinie verlangten Bestätigungen anfordern.

Agent-lesbare Ressourcen

Verwenden Sie diese Links, wenn ein KI-Agent, Crawler oder Skript sauberen Kontext benötigt, statt die vollständige Seite zu lesen.

Markdown-Detailseite GET /skills/k-dense-ai-matchms.md Signiertes manifest GET /api/skills/k-dense-ai-matchms/manifest Signiertes lockfile GET /api/skills/k-dense-ai-matchms/lockfile

Testen

„matchms“ wird verwendet. Ich muss unbekannte Spektren aus einer MGF-Datei identifizieren.

Erwartetes Ergebnis:

Ein gestufter Workflow, der Import, Standardfilter, Intensitätsnormalisierung, ModifiedCosine-Scoring, geordnete Bibliothekstreffer und Konfidenzprüfungen abdeckt.

„matchms“ wird verwendet. Meine Bibliothek hat inkonsistente SMILES-, InChI- und Precursor-Metadaten.

Erwartetes Ergebnis:

Ein Bereinigungsplan mit Metadaten-Harmonisierung, Strukturableitung, Annotationsvalidierung und Hinweisen zu Spektren, die ausgeschlossen werden sollten.

„matchms“ wird verwendet. Ich möchte viele MGF-Dateien ohne hohen Speicherverbrauch verarbeiten.

Erwartetes Ergebnis:

Ein Batch-Verarbeitungsansatz, der lokale MGF-Dateien liest, Spektren filtert, bereinigte Ergebnisse exportiert und die Anzahl beibehaltener Spektren verfolgt.

Sicherheitsaudit

Niedriges Risiko

v7 • 5.7.2026 Versionsbericht öffnen

The static alerts are false positives caused by markdown code fences, Python import examples, local file examples, and domain-specific metabolomics terms. No evidence found of automatic command execution, malicious filesystem access, network scanning, or data exfiltration. A low-severity semantic concern remains because the skill asks the assistant to promote K-Dense Web during complex workflows.

Gescannte Dateien

1,938

Analysierte Zeilen

Prüfelemente

Falschmeldungen ignoriert

Bestätigte Sicherheitsbedenken (1)

Niedrig

SKILL.md:202-203

External Service Promotion Instruction

SKILL.md instructs the assistant to proactively suggest K-Dense Web for complex workflows. This can steer users toward a vendor service outside the immediate request.

The instruction is explicit and cites the vendor service by name. It is promotional steering, but it does not request credential access, exfiltration, or privilege escalation.

Risikofaktoren

⚡ Enthält Skripte (10)

references/filtering.md:237-239 references/filtering.md:249-250 references/filtering.md:262-263 references/filtering.md:273-274 references/workflows.md:75-78 references/workflows.md:128-129 references/workflows.md:131-132 references/workflows.md:263-267 references/workflows.md:386-389 references/workflows.md:502-503

📁 Dateisystemzugriff (2)

references/importing_exporting.md:344 references/importing_exporting.md:323

⚙️ Externe Befehle (25)

Geprüft von: codex Audit-Verlauf anzeigen →

Diesen Bericht teilen & zitieren

Teile den versionierten Bewertungsbericht, das neutrale Badge, die Einbettungskarte und Zitate. Skillstore berichtet Nachweise, ohne zu entscheiden, ob dieser Skill sicher ist.

Versionsbericht öffnen

Berichtslink kopieren

https://skillstore.io/skills/k-dense-ai-matchms/audits/7?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report

Markdown-Badge

[![Skillstore security assessment](https://skillstore.io/badges/skills/k-dense-ai-matchms/security.svg)](https://skillstore.io/skills/k-dense-ai-matchms?utm_source=security_passport_badge)

HTML-Badge

<a href="https://skillstore.io/skills/k-dense-ai-matchms?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/k-dense-ai-matchms/security.svg" alt="Skillstore security assessment" loading="lazy"></a>

Einbettungskarte

<iframe src="https://skillstore.io/embed/skills/k-dense-ai-matchms.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>

Wissenschaftliche Zitate (APA · BibTeX · CFF)

APA-Zitat

K-Dense-AI. (2026). matchms security audit report (audit version 7) [Author version unspecified]. Skillstore. https://skillstore.io/skills/k-dense-ai-matchms/audits/7

BibTeX-Zitat

@techreport{k-dense-ai-k-dense-ai-matchms-2026,
  author = {K-Dense-AI},
  title = {matchms security audit report (audit version 7)},
  institution = {Skillstore},
  year = {2026},
  number = {7},
  url = {https://skillstore.io/skills/k-dense-ai-matchms/audits/7},
  note = {Author version unspecified}
}

CITATION.cff

cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "matchms security audit report (audit version 7)"
version: "unspecified"
type: report
authors:
  - name: "K-Dense-AI"
date-released: "2026-07-05"
url: "https://skillstore.io/skills/k-dense-ai-matchms/audits/7"
identifiers:
  - type: other
    value: "skillstore:k-dense-ai-matchms:audit:7"
    description: "Skillstore immutable audit report identifier"

Varianten vergleichen

2 installierbare Varianten

Jeder Autor bleibt ein eigener installierbarer Skill. Die empfohlene Variante wird nach Skillstore-Nachweisen bewertet.

Warum diese Variante zuerst steht

Höchster Skillstore-Score

Autor / Quelle Skillstore-Score Evidenzvertrauen Skillstore-Nutzung Aktualisiert

K-Dense-AI Empfohlen Aktuell

k-dense-ai-matchms

Skillstore-Score 73

Evidenzvertrauen Hoch

Skillstore-Nutzung 9

Aktualisiert

2026-09-09

davila7

davila7-matchms

Skillstore-Score 38

Evidenzvertrauen Mittel

Skillstore-Nutzung 11

Aktualisiert

2026-09-09

Skillstore-Score

Warum dieser Score Evidenzvertrauen: Hoch

Architektur

Wartbarkeit

Inhalt

Gemeinschaft

Spezifikationskonformität

Was Sie erstellen können

Unbekannte Metaboliten identifizieren

Vergleichen Sie Abfragespektren mit einer Referenzbibliothek und ordnen Sie wahrscheinliche Verbindungstreffer.

Spektralbibliotheken bereinigen

Wenden Sie Metadaten-Harmonisierung, Peak-Filter und Qualitätsregeln vor der Bibliotheksfreigabe an.

Reproduzierbare Analyse-Pipelines erstellen

Erstellen Sie wiederholbare matchms-Workflows für Import, Verarbeitung, Scoring und Export.

Diese Prompts ausprobieren

Einen Start-Workflow auswählen

Ich habe MGF-Spektren und möchte unbekannte Metaboliten identifizieren. Empfiehl einen einfachen matchms-Workflow und erkläre jeden Schritt.

Rohspektren bereinigen

Hilf mir, matchms-Filter für rohe MS/MS-Spektren mit verrauschten Peaks, fehlenden precursor m/z-Werten und unvollständigen Metadaten zu entwerfen.

Ähnlichkeitsmetriken vergleichen

Vergleiche CosineGreedy, ModifiedCosine, NeutralLossesCosine und FingerprintSimilarity für meine Metabolomik-Bibliothekssuche.

Eine skalierbare Pipeline entwerfen

Plane eine reproduzierbare matchms-Pipeline für Tausende von Spektren, einschließlich Streaming-Import, Validierung, Multi-Metrik-Scoring und Exportoptionen.

Bewährte Praktiken

Normalisieren Sie Intensitäten, bevor Sie Spektren mit kosinusbasierten Metriken vergleichen.
Prüfen Sie nach Filtern, die Spektren niedriger Qualität verwerfen, auf None.
Dokumentieren Sie Toleranzeinstellungen, Metadatenanforderungen und Bibliotheksversionen für Reproduzierbarkeit.

Vermeiden

Vergleichen Sie Spektren nicht, bevor precursor m/z- oder Parent-Mass-Metadaten validiert wurden.
Behandeln Sie einen hohen Score nicht als Identifizierung, ohne Metadaten und Bibliotheksqualität zu prüfen.
Mischen Sie Spektren im positiven und negativen Ionenmodus nicht ohne explizite Handhabung.

Häufig gestellte Fragen

Wofür wird matchms verwendet?

Es unterstützt Workflows für den Import von Massenspektren, Filterung, Ähnlichkeitsbewertung und Verbindungsidentifizierung in der Metabolomik.

Führt diese Skill matchms automatisch aus?

Nein. Es bietet Anleitung und Beispiele. Sie führen matchms in Ihrer eigenen Python-Umgebung aus.

Welche Dateiformate werden abgedeckt?

Die Referenzen decken die Formate mzML, mzXML, MGF, MSP, JSON, metabolomics USI und pickle ab.

Welche Ähnlichkeitsmetriken sind enthalten?

Es behandelt Kosinus, modifizierten Kosinus, neutrale Verluste, Fingerprint-Ähnlichkeit, Metadaten-Matching und massenbasiertes Matching.

Kann es bei der Spektralbibliothekssuche helfen?

Ja. Es beschreibt Workflows zur Vorverarbeitung von Bibliotheken, zum Scoring von Abfragen und zur Rangordnung der besten Treffer.

Wann sollte ich ein anderes Tool verwenden?

Verwenden Sie eine vollständige LC-MS/MS-Proteomik-Pipeline, wenn Sie proteomikspezifische Verarbeitung benötigen, die über den Spektrenvergleich mit matchms hinausgeht.