scanpy
Анализ данных одноядерной РНК-секвенирования
Auch verfügbar von: davila7
Одноядерное РНК-секвенирование генерирует сложные наборы данных, требующие специализированного анализа. Этот навык предоставляет полный рабочий процесс для контроля качества, снижения размерности, кластеризации и визуализации данных экспрессии генов на уровне отдельных клеток.
Die Skill-ZIP herunterladen
In Claude hochladen
Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen
Einschalten und loslegen
Teste es
Verwendung von "scanpy". Загрузи мои данные отдельных клеток и выполни контроль качества
Erwartetes Ergebnis:
- Загружено 3 245 клеток x 20 000 генов
- Метрики QC: в среднем 1 542 гена на клетку, 4,2% митохондриальных чтений
- После фильтрации: 2 987 клеток x 15 432 гена (92% клеток сохранено)
- Сохранены скрипки QC на figures/qc_violin.pdf
Verwendung von "scanpy". Выполни полный рабочий процесс кластеризации и аннотации
Erwartetes Ergebnis:
- Идентифицировано 12 клеточных кластеров с использованием алгоритма Leiden
- Создана визуализация UMAP, раскрашенная по кластерам
- Определены основные маркерные гены для каждого кластера
- Типы клеток аннотированы на основе экспрессии известных маркерных генов
Sicherheitsaudit
SicherAll 228 static findings are false positives. This is a legitimate scientific computing skill for single-cell RNA-seq analysis. The scanner incorrectly flagged: markdown inline code formatting (backticks), file I/O functions for data reading, directory creation operations, and git tree hashes as C2 indicators. No malicious patterns, network exfiltration, or command injection risks exist after human evaluation.
Risikofaktoren
📁 Dateisystemzugriff (2)
🌐 Netzwerkzugriff (1)
⚙️ Externe Befehle (3)
Qualitätsbewertung
Was du bauen kannst
Разведочный анализ scRNA-seq
Анализируйте наборы данных экспрессии генов отдельных клеток для идентификации типов, состояний и популяций клеток.
Поиск маркерных генов
Идентифицируйте дифференциально экспрессируемые гены между кластерами и характеризуйте клеточные популяции.
Визуализационные рабочие процессы
Создавайте графики снижения размерности UMAP, t-SNE и другие для публикаций.
Probiere diese Prompts
Загрузи мои данные отдельных клеток из data.h5ad и покажи базовую структуру, включая количество клеток и генов.
Выполни контроль качества моего набора данных, отфильтруй клетки с менее чем 200 генами или более чем 5% митохондриальных чтений, и создай графики контроля качества.
Выполни кластеризацию с разрешением 0.5, создай визуализацию UMAP и определи маркерные гены для каждого кластера.
Выполни полный рабочий процесс scanpy: контроль качества, нормализация, высоковариабельные гены, PCA, соседи, UMAP, кластеризация Leiden с разрешением 0.8 и сохранение результатов.
Bewährte Verfahren
- Всегда сохраняйте исходные данные до фильтрации: adata.raw = adata
- Проверяйте кластеризацию, проверяя экспрессию известных маркерных генов
- Сохраняйте промежуточные результаты, чтобы избежать повторного выполнения длительных рабочих процессов
Vermeiden
- Пропуск этапов контроля качества перед последующим анализом
- Использование разрешения кластеризации по умолчанию без тестирования нескольких значений
- Отсутствие визуализации данных до и после этапов фильтрации
Häufig gestellte Fragen
Какие форматы файлов поддерживает scanpy?
Сколько соседей использовать для UMAP?
Кластеризация Leiden или Louvain?
Сколько PC использовать?
Какой порог для митохондрий?
Как аннотировать типы клеток?
Entwicklerdetails
Autor
K-Dense-AILizenz
SD-3-Clause license
Repository
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/scanpyRef
main
Dateistruktur