GenimlはBEDファイルを機械学習エンベディングに変換し、ゲノム領域の解析を可能にします。クロマチンアクセシビリティのパターンを発見するためのモデルのトレーニング、コンセンサスピークセットの構築、単細胞ATAC-seqデータの解析を行います。
スキルZIPをダウンロード
Claudeでアップロード
設定 → 機能 → スキル → スキルをアップロードへ移動
オンにして利用開始
テストする
「geniml」を使用しています。 私のATAC-seqピークでregion2vecをトレーニングし、エンベディングを評価してください
期待される結果:
- ユニバースファイルを使用して15,234ピークをトークン化
- 8,567の一意の領域に対して100次元のエンベディングをトレーニング
- シルエットスコア: 0.72（良好なクラスタリング品質）
- Davies-Bouldin指数: 0.85（低いクラスター間類似性）
- 可視化用の2D UMAPを生成
「geniml」を使用しています。 10のATAC-seq実験からコンセンサスピークユニバースを構築
期待される結果:
- すべての実験から245,000ピークを組み合わせ
- 5倍の閾値でカバレッジカットオフ法を適用
- 32,450領域のコンセンサスユニバースを生成
- 入力ピークのカバレッジ: 87.3%
- 平均領域サイズ: 425bp（ATAC-seqに適正）
「geniml」を使用しています。 細胞タイプアノテーションのための単細胞ATAC-seqデータを解析
期待される結果:
- PBMCデータセットから8,500セルを前トークン化
- 100次元でscEmbedモデルをトレーニング
- すべてのセルのセルエンベディングを生成
- Leidenクラスタリングにより12の異なる細胞集団を特定
- 主要タイプの注釈: T細胞、B細胞、単球、NK細胞
セキュリティ監査
安全Static analysis flagged 194 patterns, but ALL are false positives. The 'external_commands' findings are markdown bash code blocks in documentation (not actual shell execution). 'Weak cryptographic' refers to MD5 checksums for file verification (legitimate bioinformatics practice). 'Ransomware keywords' is a false positive triggered by security audit text itself. 'Hidden file access' refers to standard cache directories. All patterns represent legitimate genomic ML workflows.
リスク要因
品質スコア
作れるもの
ChIP-seq実験の比較
領域エンベディングをトレーニングして、異なる転写因子結合実験間で類似したピークを見つける
クロマチンによる細胞のクラスタリング
scEmbedを使用してscATAC-seqデータを解析し、クロマチンアクセシビリティパターンに基づいて細胞タイプを特定する
リファレンスピークセットの構築
標準化された解析のため、複数のATAC-seq実験からコンセンサスユニバースを作成する
これらのプロンプトを試す
私のBEDファイルでregion2vecエンベディングをトレーニングする手助けをします。まず、ユニバースファイルを使用してトークン化してから、100次元のエンベディングモデルをトレーニングしてください。
scanpyで私のscATAC-seqデータをscEmbedを使用して解析します。セルをトークン化し、エンベディングモデルをトレーニングし、UMAP可視化を生成してください。
私のBEDファイルコレクションから、カバレッジカットオフ法（5倍の閾値）を使用してコンセンサスユニバースを構築してください。
細胞タイプラベルを持つ領域でBEDspaceエンベディングをトレーニングし、領域とメタデータ間のクロスモーダルクエリを可能にします。
ベストプラクティス
- エンベディングのトレーニング前に、良好なピークカバレッジを持つ高品質なユニバースを必ず構築してください
- トークン化カバレッジ（80%以上）を検証し、必要に応じてp値閾値を調整してください
- 複数の評価指標を使用して、エンベディング品質と生物学的関連性を評価してください
回避
- 適切なユニバース構築を行わずに、低品質または不一致のピークセットでトレーニングする
- 特定のデータタイプとスケールに合わせて調整せずにデフォルトパラメータを使用する
- 評価ステップをスキップする - ダウンストリーム解析の前にエンベディングを必ず検証してください