pydeseq2
RNA-seq differentielle Genexpressionsanalyse mit PyDESeq2
Auch verfügbar von: davila7
PyDESeq2 ermöglicht differentielle Genexpressionsanalysen aus Bulk-RNA-seq-Count-Daten. Führen Sie statistische Tests, multiple Vergleichskorrekturen durch und erstellen Sie publikationsreife Volcano- und MA-Plots für Ihre Genomikforschung.
Die Skill-ZIP herunterladen
In Claude hochladen
Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen
Einschalten und loslegen
Teste es
Verwendung von "pydeseq2". Analyze my RNA-seq data and show top differentially expressed genes
Erwartetes Ergebnis:
- Analyse abgeschlossen. 847 signifikante Gene gefunden (padj < 0,05)
- Top hochregulierte Gene:
- - GenX: log2FC = 4,2, padj = 1,3e-15
- - GenY: log2FC = 3,8, padj = 2,7e-12
- - GenZ: log2FC = 3,5, padj = 5,1e-11
- Top herunterregulierte Gene:
- - GenA: log2FC = -3,9, padj = 8,2e-14
- - GenB: log2FC = -3,1, padj = 3,4e-10
- Ergebnisse in deseq2_results.csv gespeichert
Sicherheitsaudit
SicherAll 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.
Risikofaktoren
📁 Dateisystemzugriff (2)
🌐 Netzwerkzugriff (1)
Qualitätsbewertung
Was du bauen kannst
Behandelt vs. Kontrolle vergleichen
Identifizieren Sie differentiell exprimierte Gene zwischen experimentellen Bedingungen unter Verwendung korrekter statistischer Tests und FDR-Korrektur für publikationsreife Ergebnisse.
RNA-seq-Thesis-Analyse
Verarbeiten Sie RNA-seq-Count-Daten, führen Sie differentielle Expressionsanalysen durch und erstellen Sie publikationsreife Abbildungen für Thesis- oder Forschungsarbeiten.
Stapelverarbeitung von RNA-seq
Automatisieren Sie differentielle Expressionsanalysen über mehrere Bedingungen oder Zeitpunkte hinweg unter Verwendung des mitgelieferten Kommandozeilen-Skripts.
Probiere diese Prompts
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
Bewährte Verfahren
- Transponieren Sie die Count-Matrix immer, wenn Gene als Zeilen vorliegen (verwenden Sie .T für Proben × Gene-Format)
- Filtern Sie low-Count-Gene vor der Analyse, um die statistische Aussagekraft zu verbessern
- Verwenden Sie adjustierte p-Werte (padj) anstelle von rohen p-Werten zur Bestimmung der Signifikanz
- Stellen Sie sicher, dass Probennamen zwischen Count- und Metadatendateien exakt übereinstimmen
Vermeiden
- Verwenden Sie niemals rohe p-Werte für multiples Testen - verwenden Sie immer FDR-korrigierte padj-Werte
- Wenden Sie LFC-Shrinkage nicht vor dem statistischen Testen an - verwenden Sie es nur anschließend für die Visualisierung
- Vermeiden Sie komplexe Multi-Faktor-Designs ohne ausreichende Stichprobengröße pro Bedingung
- Transponieren Sie niemals Metadaten - transponieren Sie nur die Count-Matrix bei Bedarf
Häufig gestellte Fragen
Warum erhalte ich einen Index-Mismatch-Fehler?
Sollte ich meine Count-Matrix transponieren?
Was ist der Unterschied zwischen pvalue und padj?
Wann sollte ich LFC-Shrinkage verwenden?
Wie gehe ich mit Batch-Effekten in meiner Analyse um?
Warum sind keine Gene in meiner Analyse signifikant?
Entwicklerdetails
Autor
K-Dense-AILizenz
MIT license
Repository
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/pydeseq2Ref
main
Dateistruktur