🧪

matchms

Name: matchms
Author: davila7

Безопасно ⚡ Содержит скрипты⚙️ Внешние команды🌐 Доступ к сети📁 Доступ к файловой системе

Анализ данных масс-спектрометрии

Также доступно от: K-Dense-AI

Масс-спектрометрия генерирует сложные спектральные данные, требующие специализированной обработки. Matchms предоставляет полный инструментарий Python для загрузки, фильтрации, сравнения и идентификации соединений из спектральных данных с использованием установленных метрик подобия.

Поддерживает: Claude Codex Code(CC)

📊 70 Адекватно

Скачать ZIP навыка

Загрузить в Claude

Перейдите в Settings → Capabilities → Skills → Upload skill

Включите и начните использовать

Протестировать

Использование «matchms». Загрузите спектры из spectra.mgf и идентифицируйте соединения

Ожидаемый результат:

Загружено 156 спектров из spectra.mgf
Обработка с фильтрами по умолчанию и оценкой подобия:
- Compound_001 соответствует Кофеину (косинус: 0.947)
- Compound_002 соответствует Эпинефрину (косинус: 0.892)
- Compound_003 соответствует Дофамину (косинус: 0.756)
- Compound_004: Нет высоконадёжного совпадения (лучший: 0.542)
- Compound_005 соответствует Серотонину (косинус: 0.883)
Результаты сохранены в identification_report.csv

Аудит безопасности

Безопасно

v5 • 1/17/2026

Documentation-only skill containing markdown files with no executable code. All 270 static findings are false positives arising from the scanner misinterpreting markdown documentation syntax as security-relevant patterns. This skill provides reference documentation for the matchms Python library and cannot execute any code or perform any network/file system operations.

Просканировано файлов

2,141

Проанализировано строк

находки

Всего аудитов

Факторы риска

⚡ Содержит скрипты (10)

references/filtering.md:237-239 references/filtering.md:249-250 references/filtering.md:262-263 references/filtering.md:273-274 references/workflows.md:75-78 references/workflows.md:128-129 references/workflows.md:131-132 references/workflows.md:263-267 references/workflows.md:386-389 references/workflows.md:502-503

⚙️ Внешние команды (191)

🌐 Доступ к сети (11)

references/importing_exporting.md:407 references/importing_exporting.md:408 references/importing_exporting.md:409 references/importing_exporting.md:410 references/importing_exporting.md:415 references/importing_exporting.md:416 references/similarity.md:380 references/workflows.md:645 references/workflows.md:646 references/workflows.md:647 skill-report.json:6

📁 Доступ к файловой системе (2)

references/importing_exporting.md:344 references/importing_exporting.md:323

Проверено: claude Посмотреть историю аудитов →

Оценка качества

Архитектура

100

Сопровождаемость

Контент

Сообщество

100

Безопасность

Соответствие спецификации

Что вы можете построить

Идентификация неизвестных метаболитов

Сопоставьте экспериментальные спектры с библиотеками референсов для идентификации метаболитов в сложных биологических образцах

Стандартизация обработки данных

Создайте согласованные конвейеры предварительной обработки для обработки данных LC-MS/MS высокой пропускной способности

Сравнение спектральных библиотек

Сравните несколько спектральных библиотек для поиска дублирующихся записей и подобных соединений в наборах данных

Попробуйте эти промпты

Загрузка и проверка спектров

Загрузите спектры из файла MGF с помощью matchms и покажите первые 3 спектра с их названиями соединений и значениями precursor m/z

Предварительная обработка спектральных данных

Примените default_filters, normalize_intensities и select_by_relative_intensity к списку спектров, затем сохраните обработанные результаты

Поиск в библиотеке референсов

Сопоставьте запросовые спектры с библиотекой референсов с использованием подобия CosineGreedy и верните 5 лучших совпадений для каждого запроса с их оценками

Создание конвейера с несколькими метриками

Создайте конвейер, который добавляет химические отпечатки, вычисляет оценки CosineGreedy и FingerprintSimilarity и объединяет их с пользовательскими весами для надёжной идентификации соединений

Лучшие практики

Применяйте один и тот же конвейер обработки как к референсным, так и к запросовым спектрам для согласованного сравнения
Используйте PrecursorMzMatch как быстрый предварительный фильтр перед вычислением вычислительно затратных оценок подобия
Сохраняйте обработанные спектры как файлы pickle для более быстрой перезагрузки в итерационных рабочих процессах

Избегать

Пропуск гармонизации метаданных при объединении спектров с разных приборов или источников
Использование CosineHungarian для очень больших библиотечных сравнений без предварительной фильтрации
Сравнение спектров без предварительной нормализации интенсивностей

Часто задаваемые вопросы

Какие форматы файлов matchms поддерживает для импорта спектров?

Matchms поддерживает MGF, MSP, mzML, mzXML, JSON (формат GNPS), pickle и ссылки USI из репозиториев метаболомики.

Какую метрику подобия следует использовать для первоначального поиска в библиотеке?

CosineGreedy обеспечивает лучший баланс скорости и точности для большинства применений. Используйте ModifiedCosine при сравнении спектров с разными массами прекурсоров.

Как matchms сравнивается с GNPS для спектрального сопоставления?

Matchms предоставляет аналогичную функциональность GNPS, но работает локально, предлагая больший контроль над параметрами обработки и более быструю итерацию для исследовательских рабочих процессов.

Безопасны ли мои данные при использовании matchms?

Matchms обрабатывает все данные локально в вашей Python-среде. Данные не отправляются на внешние серверы, если вы явно не загружаете из онлайн-ссылок USI.

Почему мои оценки подобия ниже ожидаемых?

Убедитесь, что и запросовые, и референсные спектры обработаны с одинаковыми фильтрами. Проверьте, что интенсивности нормализованы и низкоинтенсивные пики последовательно отфильтрованы.

Может ли matchms работать в Windows, macOS и Linux?

Да, matchms — это кроссплатформенная библиотека Python, которая работает во всех основных операционных системах, где поддерживается Python.