matchms
Analizar datos de espectrometría de masas
也可从以下获取: K-Dense-AI
La espectrometría de masas genera datos espectrales complejos que requieren procesamiento especializado. Matchms proporciona un toolkit completo de Python para cargar, filtrar, comparar e identificar compuestos de datos espectrales con métricas de similitud establecidas.
下载技能 ZIP
在 Claude 中上传
前往 设置 → 功能 → 技能 → 上传技能
开启并开始使用
测试它
正在使用“matchms”。 Cargar espectros de spectra.mgf e identificar compuestos
预期结果:
- Cargados 156 espectros de spectra.mgf
- Procesando con filtros por defecto y puntuación de similitud:
- - Compound_001 coincidió con Cafeína (coseno: 0.947)
- - Compound_002 coincidió con Epinefrina (coseno: 0.892)
- - Compound_003 coincidió con Dopamina (coseno: 0.756)
- - Compound_004: Sin coincidencia de alta confianza (mejor: 0.542)
- - Compound_005 coincidió con Serotonina (coseno: 0.883)
- Resultados guardados en identification_report.csv
安全审计
安全Documentation-only skill containing markdown files with no executable code. All 270 static findings are false positives arising from the scanner misinterpreting markdown documentation syntax as security-relevant patterns. This skill provides reference documentation for the matchms Python library and cannot execute any code or perform any network/file system operations.
风险因素
⚡ 包含脚本 (10)
⚙️ 外部命令 (191)
🌐 网络访问 (11)
质量评分
你能构建什么
Identificar metabolitos desconocidos
Comparar espectros experimentales contra bibliotecas de referencia para identificar metabolitos en muestras biológicas complejas
Estandarizar el procesamiento de datos
Crear pipelines de preprocesamiento consistentes para procesar datos de LC-MS/MS de alto rendimiento
Comparar bibliotecas espectrales
Comparar múltiples bibliotecas espectrales para encontrar entradas duplicadas y compuestos similares entre conjuntos de datos
试试这些提示
Cargar espectros de un archivo MGF usando matchms y mostrar los primeros 3 espectros con sus nombres de compuestos y valores m/z del precursor
Aplicar default_filters, normalize_intensities y select_by_relative_intensity a una lista de espectros, luego guardar los resultados procesados
Comparar espectros de consulta contra una biblioteca de referencia usando similitud CosineGreedy, y devolver las 5 mejores coincidencias para cada consulta con sus puntuaciones
Crear un pipeline que añada huellas dactilares químicas, calcule puntuaciones de CosineGreedy y FingerprintSimilarity, y las combine con pesos personalizados para una identificación de compuestos robusta
最佳实践
- Aplicar el mismo pipeline de procesamiento tanto a espectros de referencia como de consulta para una comparación consistente
- Usar PrecursorMzMatch como pre-filtro rápido antes de calcular puntuaciones de similitud computacionalmente costosas
- Guardar espectros procesados como archivos pickle para una recarga más rápida en flujos de trabajo iterativos
避免
- Omitir la armonización de metadatos al combinar espectros de diferentes instrumentos o fuentes
- Usar CosineHungary para comparaciones de bibliotecas muy grandes sin pre-filtrado
- Comparar espectros sin normalizar las intensidades primero