latchbio-integration
Construire des pipelines bioinformatiques avec Latch SDK
Également disponible depuis: davila7
Déployez des workflows bioinformatiques prêts pour la production sans gérer l'infrastructure. Créez des pipelines serverless utilisant des décorateurs Python avec conteneurisation automatique, support GPU, et stockage cloud intégré.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "latchbio-integration". Créer un workflow Latch pour la prédiction de structure protéique
Résultat attendu:
- Utiliser le décorateur @large_gpu_task avec GPU nvidia-tesla-v100
- Importer alphafold depuis le module latch.verified
- Configurer l'entrée via LatchFile pour la séquence FASTA
- Définir le répertoire de sortie avec LatchDir pour les résultats PDB
- La plateforme gère automatiquement la conteneurisation Docker
- Surveiller l'exécution via le tableau de bord Latch
Utilisation de "latchbio-integration". Comment configurer une analyse d'expression différentielle DESeq2?
Résultat attendu:
- Importer deseq2 depuis le module latch.verified
- Définir les paramètres d'entrée pour la matrice de comptage et les métadonnées d'échantillon
- Configurer le répertoire de sortie pour les résultats et graphiques
- La plateforme provisionne les ressources de calcul appropriées
- Accéder aux résultats via les chemins de sortie enregistrés
Utilisation de "latchbio-integration". Configurer les ressources GPU pour AlphaFold sur Latch
Résultat attendu:
- Utiliser le décorateur @large_gpu_task pour les charges GPU
- Définir gpu_type sur nvidia-tesla-v100 ou nvidia-tesla-a100
- Configurer les besoins en mémoire selon la taille de la protéine
- La plateforme gère automatiquement l'ordonnancement GPU
- Surveiller l'utilisation GPU pendant l'exécution
Audit de sécurité
SûrDocumentation-only skill containing only markdown files (.md) and JSON metadata. No executable source code present. All 285 static findings are false positives caused by the scanner misinterpreting markdown code block syntax and documentation examples as executable code. The 'backtick execution' findings are markdown code delimiters, 'weak cryptographic algorithm' findings are misinterpreted Python decorators, and 'credential access' findings demonstrate legitimate Latch SDK APIs. This is standard bioinformatics documentation teaching users how to use a cloud-based workflow platform.
Facteurs de risque
⚙️ Commandes externes (6)
⚡ Contient des scripts (2)
🌐 Accès réseau (2)
🔑 Variables d’environnement (2)
Score de qualité
Ce que vous pouvez construire
Déployer des pipelines d'analyse RNA-seq
Construisez des workflows de transcriptomique complets allant du contrôle qualité à l'analyse d'expression différentielle.
Exécuter la prédiction de structure protéique
Lancez des tâches AlphaFold ou ColabFold avec allocation automatique de ressources GPU et stockage cloud.
Intégrer des outils bioinformatiques vérifiés
Combinez des workflows pré-construits avec des étapes personnalisées pour des pipelines d'analyse spécialisés.
Essayez ces prompts
Créez un workflow Latch qui traite des fichiers utilisant le décorateur @small_task et retourne un résultat LatchFile.
Configurez une tâche Latch pour utiliser un GPU A100 pour l'exécution de modèles d'apprentissage profond avec des spécifications de ressources personnalisées.
Montrez comment enregistrer un pipeline Nextflow ou Snakemake existant sur la plateforme Latch.
Créez un pipeline RNA-seq complet avec contrôle qualité, alignement et quantification en utilisant les décorateurs Latch.
Bonnes pratiques
- Commencez avec les décorateurs de tâche standard (@small_task, @large_task) et augmentez les ressources uniquement lorsque le profilage montre un besoin
- Utilisez des annotations de type et des docstrings pour tous les paramètres afin de générer automatiquement les interfaces de workflow
- Testez les workflows localement avec Docker avant de les enregistrer sur la plateforme
Éviter
- Évitez le sur-provisionnement des ressources - les tâches GPU coûtent significativement plus que les tâches CPU
- N'utilisez pas de configuration dynamique des ressources à l'exécution - les décorateurs doivent être statiques
- Évitez de mélanger plusieurs frameworks de workflow dans un seul pipeline sans séparation claire