Навыки geniml
🧬

geniml

Безопасно ⚙️ Внешние команды

Анализ геномных интервалов с помощью машинного обучения

Также доступно от: davila7

Geniml преобразует BED файлы в эмбеддинги машинного обучения для анализа геномных регионов. Обучайте модели для поиска паттернов в доступности хроматина, создавайте консенсусные наборы пиков и анализируйте данные одноячеечной ATAC-seq.

Поддерживает: Claude Codex Code(CC)
📊 71 Адекватно
1

Скачать ZIP навыка

2

Загрузить в Claude

Перейдите в Settings → Capabilities → Skills → Upload skill

3

Включите и начните использовать

Протестировать

Использование «geniml». Обучите region2vec на моих пиках ATAC-seq и оцените эмбеддинги

Ожидаемый результат:

  • Токенизировано 15,234 пиков с использованием файла вселенной
  • Обучены 100-мерные эмбеддинги для 8,567 уникальных регионов
  • Силуэтный коэффициент: 0.72 (хорошее качество кластеризации)
  • Индекс Дэвиса-Болдина: 0.85 (низкое сходство между кластерами)
  • Сгенерирована 2D UMAP для визуализации

Использование «geniml». Постройте консенсусную вселенную пиков из 10 экспериментов ATAC-seq

Ожидаемый результат:

  • Объединено 245,000 пиков из всех экспериментов
  • Применен метод отсечения покрытия с порогом 5x
  • Сгенерирована консенсусная вселенная с 32,450 регионов
  • Покрытие входных пиков: 87.3%
  • Средний размер региона: 425bp (подходяще для ATAC-seq)

Использование «geniml». Анализируйте данные одноячеечной ATAC-seq для аннотации типов клеток

Ожидаемый результат:

  • Предтокенизировано 8,500 клеток из набора данных PBMC
  • Обучена модель scEmbed со 100 измерениями
  • Сгенерированы эмбеддинги клеток для всех клеток
  • Кластеризация Leiden выявила 12 различных популяций клеток
  • Аннотированы основные типы: T-клетки, B-клетки, моноциты, NK-клетки

Аудит безопасности

Безопасно
v4 • 1/17/2026

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.

8
Просканировано файлов
2,570
Проанализировано строк
1
находки
4
Всего аудитов

Факторы риска

⚙️ Внешние команды (6)
references/bedspace.md:23-30 references/consensus_peaks.md:21-23 references/utilities.md:19-30 references/scembed.md:23-38 references/region2vec.md:25-33 SKILL.md:19-33
Проверено: claude Посмотреть историю аудитов →

Оценка качества

45
Архитектура
100
Сопровождаемость
87
Контент
21
Сообщество
100
Безопасность
91
Соответствие спецификации

Что вы можете построить

Сравнение экспериментов ChIP-seq

Обучайте региональные эмбеддинги для поиска похожих пиков в различных экспериментах по связыванию факторов транскрипции

Кластеризация клеток по хроматину

Используйте scEmbed для анализа данных scATAC-seq и идентификации типов клеток на основе паттернов доступности хроматина

Создание референсных наборов пиков

Создавайте консенсусные вселенные из множества экспериментов ATAC-seq для стандартизированных анализов

Попробуйте эти промпты

Обучение региональных эмбеддингов 
Помогите мне обучить эмбеддинги region2vec на моих BED файлах. Сначала токенизируйте их с помощью файла вселенной, затем обучите 100-мерную модель эмбеддингов.
Анализ scATAC-seq 
Используйте scEmbed для анализа моих данных scATAC-seq в scanpy. Токенизируйте клетки, обучите модель эмбеддингов и сгенерируйте визуализацию UMAP.
Создание консенсусных пиков 
Постройте консенсусную вселенную из моей коллекции BED файлов, используя метод отсечения покрытия с порогом 5x.
Совместные эмбеддинги регион-метка 
Обучайте эмбеддинги BEDspace на регионах с метками типов клеток для обеспечения межмодальных запросов между регионами и метаданными.

Лучшие практики

  • Всегда создавайте высококачественные вселенные с хорошим покрытием пиков перед обучением эмбеддингов
  • Проверяйте покрытие токенизации (больше 80 процентов) и корректируйте пороговые значения p-value при необходимости
  • Используйте множество метрик оценки для проверки качества эмбеддингов и их биологической релевантности

Избегать

  • Обучение на низкокачественных или неправильно выровненных наборах пиков без надлежащего построения вселенной
  • Использование параметров по умолчанию без настройки для вашего конкретного типа данных и масштаба
  • Пропуск этапов оценки - всегда проверяйте эмбеддинги перед последующим анализом

Часто задаваемые вопросы

Какие форматы файлов поддерживает geniml?
Geniml работает со стандартными BED файлами (3+ колонки) для геномных регионов и CSV файлами для метаданных.
Как выбрать размерность эмбеддинга?
Начните со 100 измерений для большинства анализов. Используйте 50 для небольших наборов данных, 200+ для сложных сценариев с множеством меток.
Могу ли я использовать geniml с другими инструментами для одной клетки?
Да, выходные данные scEmbed легко интегрируются с scanpy как эмбеддинги adata.obsm для кластеризации и визуализации.
В чем разница между Region2Vec и BEDspace?
Region2Vec обучается только на регионах. BEDspace совместно встраивает регионы и метки метаданных для межмодальных запросов.
Сколько времени занимает обучение?
Минуты для небольших наборов данных (тысячи регионов), часы для больших коллекций. Используйте GPU для scEmbed на больших данных одной клетки.
Нужен ли мне файл вселенной?
Да, для токенизации. Создайте его с консенсусными пиками или используйте референс как ENCODE SCREEN.

Сведения для разработчиков

Автор

K-Dense-AI

Лицензия

BSD-2-Clause license

Репозиторий

https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/geniml

Ссылка

main

Структура файлов

📁 references/

📄 bedspace.md

📄 consensus_peaks.md

📄 region2vec.md

📄 scembed.md

📄 utilities.md

📄 evaluation.json

📄 SKILL.md