matchms
Analyser les données de spectrométrie de masse pour l'identification des métabolites
Également disponible depuis: davila7
Les données de spectrométrie de masse contiennent des informations spectrales complexes qui nécessitent un traitement spécialisé. Matchms fournit des outils complets pour importer, filtrer et comparer les spectres de masse afin d'identifier les métabolites et analyser les composés.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "matchms". Calculer la similarité entre deux spectres
Résultat attendu:
- Score de similarité cosinus : 0,85
- Pics correspondants : 45/89
- Meilleures valeurs m/z correspondantes : 147,076, 175,107, 203,138
- Évaluation de similarité : Correspondance haute confiance
Utilisation de "matchms". Charger un fichier MGF avec 500 spectres
Résultat attendu:
- 500 spectres chargés avec succès
- Moyenne de pics par spectre : 156
- Plage m/z du précurseur : 100,5 - 2000,3
- Modes d'ionisation : positif (340), négatif (160)
Utilisation de "matchms". Filtrer les spectres avec les filtres par défaut
Résultat attendu:
- 12 filtres d'harmonisation des métadonnées appliqués
- 500 tableaux d'intensité normalisés
- 23 spectres supprimés pour pics insuffisants
- Jeu de données final : 477 spectres
Audit de sécurité
SûrAll 268 static findings are false positives. The analyzer incorrectly flagged markdown code blocks (backticks) as shell execution, InChIKey descriptions as cryptographic algorithms, scientific database URLs as network reconnaissance, and legitimate Python code examples as malicious patterns. Matchms is a legitimate open-source mass spectrometry library for metabolomics research.
Facteurs de risque
⚡ Contient des scripts (2)
⚙️ Commandes externes (3)
🌐 Accès réseau (3)
📁 Accès au système de fichiers (1)
Score de qualité
Ce que vous pouvez construire
Identifier les métabolites inconnus
Comparer les spectres expérimentaux avec les bibliothèques de référence pour identifier les composés inconnus.
Traiter les données LC-MS/MS
Importer les données brutes de spectro de masse, appliquer des filtres de qualité et préparer les spectres pour l'analyse.
Créer des pipelines de correspondance spectrale
Créer des flux de travail automatisés pour la comparaison spectrale à grande échelle et l'identification des composés.
Essayez ces prompts
Charger les spectres depuis mon fichier MGF et afficher les statistiques de base sur le jeu de données
Appliquer les filtres par défaut pour normaliser les intensités et supprimer les pics de faible qualité de mes spectres
Comparer mes spectres de requête avec une bibliothèque de référence en utilisant la similarité cosinus et retourner les 5 meilleures correspondances
Créer un pipeline SpectrumProcessor qui applique l'harmonisation des métadonnées, la normalisation des intensités et le filtrage des pics
Bonnes pratiques
- Toujours appliquer default_filters en premier pour harmoniser les métadonnées
- Utiliser les fonctions de similarité appropriées (CosineGreedy pour la vitesse, ModifiedCosine pour les différences de masses de précurseurs)
- Valider les résultats avec des standards chimiques lorsque possible
Éviter
- Sauter les filtres de qualité avant les calculs de similarité
- Utiliser des métriques de similarité inappropriées pour votre type de données
- Ignorer les exigences de standardisation des métadonnées