🧬

scvi-tools

Name: scvi-tools
Author: davila7

آمن ⚙️ الأوامر الخارجية🌐 الوصول إلى الشبكة

Analyser les données omiques unicellulaires avec scvi-tools

متاح أيضًا من: K-Dense-AI

L'analyse de génomique unicellulaire nécessite des modèles probabilistes spécialisés pour la réduction de dimensionnalité, la correction de lots et l'intégration de diverses modalités. scvi-tools fournit des modèles génératifs profonds construits sur PyTorch pour une analyse complète des données unicellulaires.

يدعم: Claude Codex Code(CC)

📊 71 كافٍ

تنزيل ZIP المهارة

رفع في Claude

اذهب إلى Settings → Capabilities → Skills → Upload skill

فعّل وابدأ الاستخدام

اختبرها

استخدام "scvi-tools". Entraîner scVI sur mes données scRNA-seq avec correction de lots

النتيجة المتوقعة:

- Configuration : Enregistrer AnnData avec batch_key='sample' et layer='counts'
- Entraînement : 400 époques avec arrêt précoce sur la perte de validation
- Extraction : Représentation latente stockée dans adata.obsm['X_scVI']
- Sortie : Embeddings corrigés pour les lots prêts pour le clustering et la visualisation UMAP

استخدام "scvi-tools". Trouver les gènes exprimés différentiellement entre les types cellulaires

النتيجة المتوقعة:

- Utiliser la méthode differential_expression() sur le modèle entraîné
- Spécifier la colonne groupby et les groupes de comparaison
- Retourne un DataFrame avec les facteurs de Bayes et les changements de pli logarithmiques
- Filtrer par seuil bayes_factor pour les gènes significatifs

استخدام "scvi-tools". Intégrer la transcriptomique spatiale avec une référence unicellulaire

النتيجة المتوقعة:

- Charger les données unicellulaires de référence avec les annotations de types cellulaires
- Entraîner le modèle DestVI sur la référence pour la déconvolution spatiale
- Ajuster le modèle aux comptages de transcriptomique spatiale
- Sortie : Proportions de types cellulaires par emplacement de spot spatial

التدقيق الأمني

آمن

v5 • 1/17/2026

Documentation-only skill containing markdown educational content about scvi-tools library. No executable code, scripts, network calls, or file system access. All 392 static findings are FALSE POSITIVES: markdown backticks misidentified as shell commands, mathematical notation (KL divergence) misidentified as weak crypto, git hashes misidentified as C2 keywords, and documentation URLs misidentified as malicious endpoints.

الملفات التي تم فحصها

3,843

الأسطر التي تم تحليلها

النتائج

إجمالي عمليات التدقيق

عوامل الخطر

⚙️ الأوامر الخارجية (334)

🌐 الوصول إلى الشبكة (4)

skill-report.json:6 SKILL.md:164 SKILL.md:165 SKILL.md:166

تم تدقيقه بواسطة: claude عرض سجل التدقيق →

درجة الجودة

الهندسة المعمارية

100

قابلية الصيانة

المحتوى

المجتمع

100

الأمان

الامتثال للمواصفات

ماذا يمكنك بناءه

Intégration scRNA-seq multi-lots

Intégrer plusieurs ensembles de données unicellulaires à travers des lots de séquençage tout en préservant la variation biologique.

Transfert d'annotation des types cellulaires

Transférer les étiquettes de types cellulaires de jeux de données de référence annotés vers de nouveaux jeux de données de requête en utilisant l'apprentissage semi-supervisé.

Analyse de déconvolution spatiale

Cartographier les proportions de types cellulaires sur des données de transcriptomique spatiale pour comprendre l'architecture tissulaire.

جرّب هذه الموجهات

Workflow scVI de base

Configurer et entraîner un modèle scVI sur mes données RNA-seq unicellulaires pour la réduction de dimensionnalité et la correction de lots. Utiliser les comptages bruts, enregistrer les covariables de lot et extraire les représentations latentes.

Annotation des types cellulaires

Utiliser scANVI pour annoter mon jeu de données unicellulaires. Certaines cellules ont des étiquettes dans la colonne cell_type. Entraîner pour prédire les étiquettes des cellules non étiquetées avec des probabilités.

Expression différentielle

Effectuer une analyse d'expression différentielle entre deux populations cellulaires en utilisant mon modèle scVI entraîné avec un test d'hypothèse bayésien et un seuil delta=0.25.

Cartographie de référence

Appliquer scArches pour cartographier mon jeu de données de requête sur un modèle de référence scVI pré-entraîné pour l'apprentissage par transfert.

أفضل الممارسات

Toujours utiliser des données de comptage brutes non normalisées pour les modèles scvi-tools
Filtrer les cellules et gènes de faible qualité avant l'entraînement pour améliorer les performances
Enregistrer toutes les covariables techniques connues dans l'appel setup_anndata
Sauvegarder les modèles entraînés pour éviter de réentraîner sur les mêmes données

تجنب

Utiliser des données normalisées en logarithme au lieu de comptages bruts pour l'entrée du modèle
Entraîner sans spécifier batch_key lors de l'intégration de plusieurs échantillons
Appliquer les embeddings scVI directement sans valider la correction de lots
Ignorer les métriques d'entraînement du modèle et les indicateurs de convergence

الأسئلة المتكررة

Quels formats de données scvi-tools prend-il en charge ?

scvi-tools fonctionne avec des objets AnnData contenant des matrices de comptage brutes. Prend en charge les matrices 10x, les fichiers loom et le format h5ad via scanpy.

De combien de RAM ai-je besoin pour scvi-tools ?

L'utilisation de la mémoire évolue avec le nombre de cellules et de gènes. Commencer avec 16 Go de RAM pour des jeux de données de moins de 50 000 cellules. Les grands jeux de données peuvent nécessiter 64 Go ou plus.

scvi-tools peut-il s'intégrer avec Seurat ou Scanpy ?

Oui, les sorties de scvi-tools stockent les résultats dans des objets AnnData compatibles avec scanpy. Utiliser scanpy pour le clustering, la visualisation et l'analyse en aval.

Mes données sont-elles en sécurité lors de l'utilisation de scvi-tools ?

scvi-tools traite les données localement dans votre environnement Python. Aucune donnée ne quitte votre machine. Les modèles s'entraînent hors ligne sans appels réseau externes.

Pourquoi mon modèle ne converge-t-il pas ?

Vérifier que les données d'entrée contiennent des comptages bruts et non normalisés. Vérifier qu'aucune valeur NaN n'existe. Réduire le taux d'apprentissage ou augmenter les époques si nécessaire.

Comment scvi-tools se compare-t-il à l'intégration Seurat ?

scvi-tools fournit une modélisation probabiliste avec quantification de l'incertitude tandis que Seurat utilise des méthodes d'alignement basées sur des ancres.