scanpy
Single-cell RNA-seq-Daten analysieren
Auch verfügbar von: davila7
Single-cell RNA-Sequencing erzeugt komplexe Datensätze, die eine spezialisierte Analyse erfordern. Diese Fähigkeit bietet einen vollständigen Workflow für Qualitätskontrolle, Dimensionsreduktion, Clustering und Visualisierung von single-cell Genexpressionsdaten.
Die Skill-ZIP herunterladen
In Claude hochladen
Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen
Einschalten und loslegen
Teste es
Verwendung von "scanpy". Lade meine Single-cell-Daten und führe Qualitätskontrolle durch
Erwartetes Ergebnis:
- 3.245 Zellen x 20.000 Gene geladen
- QC-Metriken: durchschnittlich 1.542 Gene pro Zelle, 4,2% mitochondriale Reads
- Nach Filterung: 2.987 Zellen x 15.432 Gene (92% Zellen behalten)
- QC-Violin-Plots unter figures/qc_violin.pdf gespeichert
Verwendung von "scanpy". Führe vollständigen Clustering- und Annotations-Workflow aus
Erwartetes Ergebnis:
- 12 Zell-Cluster mit Leiden-Algorithmus identifiziert
- UMAP-Visualisierung nach Cluster gefärbt erstellt
- Top-Markergene für jeden Cluster identifiziert
- Zelltypen basierend auf bekannter Markerexpression annotiert
Sicherheitsaudit
SicherAll 228 static findings are false positives. This is a legitimate scientific computing skill for single-cell RNA-seq analysis. The scanner incorrectly flagged: markdown inline code formatting (backticks), file I/O functions for data reading, directory creation operations, and git tree hashes as C2 indicators. No malicious patterns, network exfiltration, or command injection risks exist after human evaluation.
Risikofaktoren
📁 Dateisystemzugriff (2)
🌐 Netzwerkzugriff (1)
⚙️ Externe Befehle (3)
Qualitätsbewertung
Was du bauen kannst
Explorative scRNA-seq-Analyse
Single-cell Genexpressionsdatensätze analysieren, um Zelltypen, Zustände und Populationen zu identifizieren.
Markergentherstellung
Differenziell exprimierte Gene zwischen Clustern identifizieren und Zellpopulationen charakterisieren.
Visualisierungs-Pipelines
UMAP, t-SNE und andere Dimensionsreduktionsplots für Publikationen erstellen.
Probiere diese Prompts
Lade meine Single-cell-Daten aus data.h5ad und zeige mir die grundlegende Struktur, einschließlich Zell- und Genanzahl.
Führe Qualitätskontrolle auf meinem Datensatz durch, filtere Zellen mit weniger als 200 Genen oder mehr als 5% mitochondrialen Reads und erstelle QC-Plots.
Führe Clustering bei Auflösung 0.5 durch, erstelle UMAP-Visualisierung und identifiziere Markergene für jeden Cluster.
Führe einen vollständigen scanpy-Workflow aus: QC, Normalisierung, hochvariable Gene, PCA, Nachbarn, UMAP, Leiden-Clustering bei Auflösung 0.8 und Ergebnisse speichern.
Bewährte Verfahren
- Rohdaten vor dem Filtern immer speichern: adata.raw = adata
- Clustering durch Überprüfung bekannter Markergenexpression validieren
- Zwischenergebnisse speichern, um lange Workflows nicht erneut ausführen zu müssen
Vermeiden
- Qualitätskontrollschritte vor der Downstream-Analyse überspringen
- Standard-Clustering-Auflösung verwenden, ohne mehrere Werte zu testen
- Daten vor und nach Filterungsschritten nicht visualisieren
Häufig gestellte Fragen
Welche Dateiformate unterstützt scanpy?
Wie viele Nachbarn sollte ich für UMAP verwenden?
Leiden vs Louvain Clustering?
Wie viele PCs sollte ich verwenden?
Was ist der mitochondriale Schwellenwert?
Wie kann ich Zelltypen annotieren?
Entwicklerdetails
Autor
K-Dense-AILizenz
SD-3-Clause license
Repository
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/scanpyRef
main
Dateistruktur