scanpy
Analyser les données RNA-seq monocellulaire
Également disponible depuis: davila7
Le séquençage RNA monocellulaire génère des ensembles de données complexes nécessitant une analyse spécialisée. Cette compétence fournit un flux de travail complet pour le contrôle qualité, la réduction de dimensionnalité, le clustering et la visualisation de l'expression génique monocellulaire.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "scanpy". Load my single-cell data and perform quality control
Résultat attendu:
- Loaded 3,245 cells x 20,000 genes
- QC metrics: mean 1,542 genes per cell, 4.2% mitochondrial reads
- After filtering: 2,987 cells x 15,432 genes (92% cells retained)
- Saved QC violin plots to figures/qc_violin.pdf
Utilisation de "scanpy". Run complete clustering and annotation workflow
Résultat attendu:
- Identified 12 cell clusters using Leiden algorithm
- Generated UMAP visualization colored by cluster
- Top marker genes identified for each cluster
- Cell types annotated based on known marker expression
Audit de sécurité
SûrAll 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.
Facteurs de risque
📁 Accès au système de fichiers (2)
🌐 Accès réseau (1)
⚙️ Commandes externes (3)
Score de qualité
Ce que vous pouvez construire
Analyse exploratoire scRNA-seq
Analyser les ensembles de données d'expression génique monocellulaire pour identifier les types, états et populations cellulaires.
Découverte de gènes marqueurs
Identifier les gènes différentiellement exprimés entre les clusters et caractériser les populations cellulaires.
Pipelines de visualisation
Générer des plots UMAP, t-SNE et autres réductions de dimensionnalité pour les publications.
Essayez ces prompts
Load my single-cell data from data.h5ad and show me the basic structure including cell and gene counts.
Run quality control on my dataset, filter cells with less than 200 genes or more than 5% mitochondrial reads, and generate QC plots.
Perform clustering at resolution 0.5, generate UMAP visualization, and identify marker genes for each cluster.
Run a complete scanpy workflow: QC, normalization, highly variable genes, PCA, neighbors, UMAP, Leiden clustering at resolution 0.8, and save results.
Bonnes pratiques
- Toujours enregistrer les comptages bruts avant le filtrage : adata.raw = adata
- Valider le clustering en vérifiant l'expression des gènes marqueurs connus
- Enregistrer les résultats intermédiaires pour éviter de rerun de longs flux de travail
Éviter
- Sauter les étapes de contrôle qualité avant l'analyse en aval
- Utiliser la résolution de clustering par défaut sans tester plusieurs valeurs
- Ne pas visualiser les données avant et après les étapes de filtrage