pydeseq2
Analisar expressão gênica diferencial de RNA-seq com PyDESeq2
Também disponível em: davila7
O PyDESeq2 permite análise de expressão gênica diferencial a partir de dados de contagem de RNA-seq em massa. Realize testes estatísticos, correção de comparações múltiplas e gere gráficos de volcano e MA prontos para publicação em sua pesquisa em genômica.
Baixar o ZIP da skill
Upload no Claude
Vá em Configurações → Capacidades → Skills → Upload skill
Ative e comece a usar
Testar
A utilizar "pydeseq2". Analisar meus dados de RNA-seq e mostrar os principais genes diferencialmente expressos
Resultado esperado:
- Análise completa. Encontrados 847 genes significativos (padj < 0,05)
- Principais genes superexpressos:
- - GeneX: log2FC = 4,2, padj = 1,3e-15
- - GeneY: log2FC = 3,8, padj = 2,7e-12
- - GeneZ: log2FC = 3,5, padj = 5,1e-11
- Principais genes suberexpressos:
- - GeneA: log2FC = -3,9, padj = 8,2e-14
- - GeneB: log2FC = -3,1, padj = 3,4e-10
- Resultados salvos em deseq2_results.csv
Auditoria de Segurança
SeguroAll 429 static findings are false positives. The 'weak cryptographic algorithm' flags incorrectly match 'DES' in 'DESeq2' (a statistical method name, not cryptography). The 'external_commands' flags misinterpret markdown code fences as shell execution. Filesystem access is standard data I/O for bioinformatics workflows. Network access involves only documentation URLs. This is a legitimate scientific computing skill with no malicious code.
Fatores de risco
📁 Acesso ao sistema de arquivos (2)
🌐 Acesso à rede (1)
Pontuação de qualidade
O Que Você Pode Construir
Comparar tratado vs controle
Identificar genes diferencialmente expressos entre condições experimentais usando testes estatísticos adequados e correção FDR para resultados prontos para publicação.
Análise de RNA-seq para tese
Processar dados de contagem de RNA-seq, realizar análise de expressão diferencial e gerar figuras de qualidade para publicação em teses ou artigos científicos.
Processamento em lote de RNA-seq
Automatizar análise de expressão diferencial através de múltiplas condições ou pontos temporais usando o script de linha de comando incluído.
Tente Estes Prompts
Load my RNA-seq data from counts.csv and metadata.csv, then perform differential expression analysis comparing treated vs control samples using PyDESeq2
Analyze my RNA-seq data accounting for batch effects using design formula ~batch + condition, then test for treatment vs control differences
Run PyDESeq2 analysis on my data and create volcano and MA plots highlighting significant genes with padj < 0.05
Load RNA-seq data, filter genes with fewer than 20 total counts, use multi-factor design ~age + sex + condition, and identify genes with |log2FC| > 1 and padj < 0.01
Melhores Práticas
- Sempre transpor a matriz de contagem se os genes forem linhas (use .T para obter formato amostras × genes)
- Filtrar genes de baixa contagem antes da análise para melhorar o poder estatístico
- Usar valores de p ajustados (padj) e não valores de p brutos para determinar significância
- Verificar que os nomes das amostras correspondem exatamente entre os arquivos de contagem e metadados
Evitar
- Nunca usar valores de p brutos para testes múltiplos - sempre usar valores padj corrigidos por FDR
- Não aplicar encolhimento LFC antes de testes estatísticos - usar depois apenas para visualização
- Evitar designs multifatoriais complexos sem tamanho amostral suficiente por condição
- Nunca transpor metadados - apenas transpor a matriz de contagem se necessário
Perguntas Frequentes
Por que recebo um erro de incompatibilidade de índice?
Devo transpor minha matriz de contagem?
Qual é a diferença entre pvalue e padj?
Quando devo usar encolhimento LFC?
Como lidar com efeitos de lote na minha análise?
Por que nenhum gene é significativo na minha análise?
Detalhes do Desenvolvedor
Autor
K-Dense-AILicença
MIT license
Repositório
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/pydeseq2Referência
main
Estrutura de arquivos