scvi-tools
Анализ данных одноклеточной геномики
Также доступно от: davila7
Анализ одноклеточной геномики требует вероятностных моделей для обработки технического шума и пакетных эффектов. scvi-tools предоставляет глубокие генеративные модели с использованием вариационного вывода для уменьшения размерности, коррекции пакетных эффектов, дифференциальной экспрессии и мультимодальной интеграции данных одиночных клеток.
Скачать ZIP навыка
Загрузить в Claude
Перейдите в Settings → Capabilities → Skills → Upload skill
Включите и начните использовать
Протестировать
Использование «scvi-tools». Help me set up scVI for batch correction on my single-cell dataset with two batches.
Ожидаемый результат:
```python
import scvi
import scanpy as sc
# Preprocess data
adata = sc.read_h5ad("my_single_cell_data.h5ad")
sc.pp.filter_genes(adata, min_counts=3)
# Register data with batch information
scvi.model.SCVI.setup_anndata(
adata,
layer="counts",
batch_key="batch"
)
# Train model
model = scvi.model.SCVI(adata)
model.train()
# Get batch-corrected latent representation
latent = model.get_latent_representation()
adata.obsm["X_scVI"] = latent
# Downstream analysis
sc.pp.neighbors(adata, use_rep="X_scVI")
sc.tl.umap(adata)
sc.tl.leiden(adata)
```
Использование «scvi-tools». How do I identify marker genes between two cell types in my scVI model?
Ожидаемый результат:
```python
# Differential expression between two groups
de_results = model.differential_expression(
groupby="leiden",
group1="0", # Cluster 0
group2="1", # Cluster 1
mode="change",
delta=0.25 # Minimum effect size
)
# View top differentially expressed genes
print(de_results.head(20))
# Filter for significant genes
significant_genes = de_results[
(de_results['is_de_fdr_0.05']) &
(de_results['bayes_factor'] > 1)
]
print(f"Found {len(significant_genes)} differentially expressed genes")
```
Аудит безопасности
Низкий рискThis is a documentation-only skill containing markdown reference files for scvi-tools, a legitimate Python library for single-cell genomics analysis. All 399 static findings are false positives caused by incorrect pattern matching: Python code examples in documentation were flagged as shell commands, bioinformatics statistical terms were misidentified as cryptographic algorithms, and documentation URLs were flagged as hardcoded URLs. No executable code or malicious patterns exist. Safe for publication.
Факторы риска
🌐 Доступ к сети (1)
📁 Доступ к файловой системе
Оценка качества
Что вы можете построить
Коррекция пакетных эффектов для интегрированного анализа одиночных клеток
Устранение технических пакетных эффектов из наборов данных РНК-секвенирования одиночных клеток от различных доноров, протоколов или серий секвенирования с использованием scVI для создания унифицированных интегрированных клеточных атласов.
Дифференциальная экспрессия с неопределённостью
Идентификация дифференциально экспрессируемых генов между типами клеток или состояниями с вероятностными оценками неопределённости, обеспечивающая более надёжные статистические выводы для последующей валидации.
Мультимодальная интеграция данных
Совместный анализ парных измерений РНК и белков (CITE-seq) или данных о доступности хроматина для обнаружения популяций клеток с повышенным биологическим разрешением.
Попробуйте эти промпты
Помогите мне настроить scvi-tools для анализа моих данных РНК-секвенирования одиночных клеток. У меня есть объект AnnData с необработанными данными подсчётов, и я хочу выполнить коррекцию пакетных эффектов. Покажите, как зарегистрировать данные, обучить модель и извлечь латентные представления.
Я обучил модель scVI на наборе данных одиночных клеток с аннотациями типов клеток. Помогите идентифицировать дифференциально экспрессируемые гены между двумя типами клеток (например, кластер A против кластера B) с использованием метода differential_expression. Включите интерпретацию результатов и установление порогов размера эффекта.
У меня есть парные данные CITE-seq с подсчётами РНК и белковыми антителами. Помогите настроить totalVI для совместного моделирования обеих модальностей, обучить модель и извлечь совместные латентные представления, которые отражают вариацию как РНК, так и белков.
У меня есть эталонный набор данных одиночных клеток с аннотациями типов клеток и набор данных пространственной транскриптомики с подсчётами на уровне пятен. Помогите использовать DestVI или Stereoscope для деконволюции типов клеток в пространственных данных и создания карт пропорций типов клеток.
Лучшие практики
- Всегда предоставляйте необработанные, ненормализованные данные подсчётов моделям scvi-tools для точного вероятностного моделирования
- Регистрируйте все известные технические коварианты (пакет, донор, протокол) во время настройки для улучшения коррекции пакетных эффектов
- Регулярно сохраняйте обученные модели с помощью model.save(), чтобы избежать повторного обучения на больших наборах данных
- Используйте ускорение на GPU (accelerator="gpu") при обучении наборов данных с более чем 50 000 клеток
Избегать
- Не используйте лог-нормализованные данные в качестве входных данных - модели scvi-tools ожидают необработанные данные подсчётов
- Не пропускайте фильтрацию данных (низкокопийственные гены/клетки) перед обучением, так как это влияет на качество модели
- Не интерпретируйте латентные представления без валидации относительно известных биологических маркеров
- Не используйте scvi-tools для анализа объёмной РНК-секвени��ования - он специально разработан для данных одиночных клеток
Часто задаваемые вопросы
В чём разница между scVI и scanpy для анализа одиночных клеток?
Нужен ли мне GPU для использования scvi-tools?
Какие форматы данных поддерживает scvi-tools?
Как выбрать между scVI, scANVI и totalVI?
Что возвращает метод differential_expression?
Как сохранять и загружать обученные модели scvi-tools?
Сведения для разработчиков
Автор
K-Dense-AIЛицензия
BSD-3-Clause license
Репозиторий
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/scvi-toolsСсылка
main