통계적 엄격성을 갖춘 대량 RNA-seq 카운트 데이터에서 차등 발현 유전자를 식별합니다. PyDESeq2는 정규화, 분산 추정, Wald 검정, FDR 보정 및 출판 수준의 시각화를 포함한 완전한 DESeq2 워크플로우를 제공합니다.
下载技能 ZIP
在 Claude 中上传
前往 设置 → 功能 → 技能 → 上传技能
开启并开始使用
测试它
正在使用“pydeseq2”。 Analyze my RNA-seq data comparing disease vs healthy samples
预期结果:
- Analysis Summary:
- • Total genes tested: 20,000
- • Significant genes (padj < 0.05): 1,234
- • Upregulated in disease: 687 genes
- • Downregulated in disease: 547 genes
- Top 5 Most Significant Genes:
- • GeneA - log2FC: 3.2, padj: 1.2e-15
- • GeneB - log2FC: -2.8, padj: 4.5e-12
- • GeneC - log2FC: 2.1, padj: 8.9e-10
- • GeneD - log2FC: -1.9, padj: 2.1e-8
- • GeneE - log2FC: 1.7, padj: 5.6e-7
正在使用“pydeseq2”。 Run differential expression with batch correction
预期结果:
- Design: ~batch + condition
- Batch effect included in model
- Results with batch correction:
- • Significant genes: 892
- • Top hits after batch adjustment: GeneX, GeneY, GeneZ
- Volcano plot saved to results/volcano_plot.png
- MA plot saved to results/ma_plot.png
安全审计
低风险This is a legitimate bioinformatics skill for differential gene expression analysis. All 443 static findings are FALSE POSITIVE. The 'Ruby/shell backtick' detections are Markdown code formatting syntax (documentation). The 'Weak cryptographic algorithm' detections are false triggers on the term 'DES' (DESeq2 is a bioinformatics method, not cryptography). The 'filesystem' operations are legitimate result-saving functionality. No network exfiltration, no malicious code, no command injection patterns.
风险因素
📁 文件系统访问 (1)
⚡ 包含脚本 (1)
质量评分
你能构建什么
처리군 대 대조군 비교
실험 조건 간 유전자 발현을 비교하여 하위 기능 분석을 위한 차등 발현 유전자를 식별합니다.
다중 인자 설계
배치 효과, 다중 조건 또는 상호작용 항이 있는 복잡한 실험을 모델링하여 정확한 효과 추정을 수행합니다.
자동화 파이프라인
구성 가능한 매개변수와 자동화된 결과 내보내기를 통해 명령줄에서 표준화된 차등 발현 워크플로우를 실행합니다.
试试这些提示
Use PyDESeq2 to analyze my RNA-seq data. I have counts.csv with gene counts and metadata.csv with sample conditions. Compare treated vs control samples with design ~condition.
Run PyDESeq2 analysis controlling for batch effects. My design should be ~batch + condition. Export results sorted by adjusted p-value.
Perform pairwise comparisons between multiple treatment groups against a control using PyDESeq2. Generate volcano plots highlighting significant genes.
Create a complete PyDESeq2 pipeline with custom parameters: minimum count threshold of 15, alpha of 0.01, with Cook's distance filtering. Save significant genes and generate visualization plots.
最佳实践
- 통계적 검정력을 향상시키고 계산 시간을 줄이기 위해 분석 전에 낮은 카운트 유전자 필터링
- 기술적 변동이 예상되는 경우 설계 공식에 배치 효과 포함
- 통계적 유의성 보고가 아닌 시각화 및 순위 지정을 위해서만 LFC 축소 사용
避免
- 유의한 결과로 FDR 보정 값 대신 원시 p-값 보고
- 방향 오류 또는 샘플 불일치를 감지하는 데이터 검증 단계 건너뛰기
- 통계 검정 전에 LFC 축소를 적용하여 p-값 분포를 변경하는 행위