Geniml 將 BED 文件轉換為機器學習嵌入，用於基因組區域分析。訓練模型以尋找染色質可及性模式，建立共識峰值集，並分析單細胞 ATAC-seq 數據。
下載技能 ZIP
在 Claude 中上傳
前往 設定 → 功能 → 技能 → 上傳技能
開啟並開始使用
測試它
正在使用「geniml」。 在我的 ATAC-seq 峰值上訓練 region2vec 並評估嵌入
預期結果:
- 使用宇宙文件對 15,234 個峰值進行了分詞
- 為 8,567 個唯一區域訓練了 100 維嵌入
- 輪廓分數：0.72（良好的聚類質量）
- Davies-Bouldin 指數：0.85（低聚類間相似性）
- 生成了 2D UMAP 用於可視化
正在使用「geniml」。 從 10 個 ATAC-seq 實驗中構建共識峰值宇宙
預期結果:
- 合併了所有實驗中的 245,000 個峰值
- 應用了 5x 閾值的覆蓋率截止方法
- 生成了包含 32,450 個區域的共識宇宙
- 輸入峰值的覆蓋率：87.3%
- 平均區域大小：425bp（適用於 ATAC-seq）
正在使用「geniml」。 分析單細胞 ATAC-seq 數據以進行細胞類型註釋
預期結果:
- 對來自 PBMB 數據集的 8,500 個細胞進行了預分詞
- 訓練了 100 維的 scEmbed 模型
- 為所有細胞生成了細胞嵌入
- Leiden 聚類識別出 12 個不同的細胞群體
- 標註了主要類型：T 細胞、B 細胞、單核細胞、NK 細胞
安全審計
安全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.
風險因素
品質評分
你能建構什麼
比較 ChIP-seq 實驗
訓練區域嵌入以在不同轉錄因子結合實驗中找到相似的峰值
按染色質對細胞進行聚類
使用 scEmbed 分析 scATAC-seq 數據，根據染色質可及性模式識別細胞類型
建立參考峰值集
從多個 ATAC-seq 實驗創建共識宇宙，用於標準化分析
試試這些提示
幫助我在 BED 文件上訓練 region2vec 嵌入。首先使用宇宙文件對它們進行分詞，然後訓練一個 100 維的嵌入模型。
使用 scEmbed 在 scanpy 中分析我的 scATAC-seq 數據。對細胞進行分詞，訓練嵌入模型，並生成 UMAP 可視化。
使用覆蓋率截止方法以 5x 閾值從我的 BED 文件集合中構建共識宇宙。
在具有細胞類型標籤的區域上訓練 BEDspace 嵌入，以實現區域和元數據之間的跨模態查詢。
最佳實務
- 在訓練嵌入之前，始終使用良好峰值覆蓋率構建高質量宇宙
- 驗證分詞覆蓋率（大於 80%），並根據需要調整 p 值閾值
- 使用多個評估指標來評估嵌入質量和生物學相關性
避免
- 在沒有正確構建宇宙的情況下，在低質量或對齊不佳的峰值集上訓練
- 不對特定數據類型和規模調整參數而使用默認值
- 跳過評估步驟——在下游分析之前始終驗證嵌入