技能 pyopenms
📦
pyopenms
內容修訂 r1 低風險 ⚙️ 外部命令🌐 網路存取
使用 PyOpenMS 分析質譜資料
質譜工作流程需要精確的檔案處理、訊號處理與鑑定步驟。此技能會引導 PyOpenMS 工作流程，用於蛋白質體學、代謝體學、特徵偵測與定量分析。
支援: Claude Codex Code(CC)
使用我的智慧代理安裝
將此請求複製給你的智慧代理，其中包含權威 Skill 頁面和清單。
智能體請求
Review the Skillstore skill "pyopenms" from https://skillstore.io/skills/k-dense-ai-pyopenms.md and its manifest at https://skillstore.io/api/skills/k-dense-ai-pyopenms/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.你的智慧代理仍應顯示其計畫，並依安全政策請求必要確認。
Agent 可讀資源
當 AI Agent、爬蟲或腳本需要乾淨脈絡、而不是讀取完整頁面時，請使用這些連結。
測試它
正在使用「pyopenms」。 我需要比較多個 LC-MS 樣本之間的特徵強度。
預期結果:
- 載入每個特徵圖，並在分組特徵前先對齊滯留時間。
- 建立共識圖，讓每一列代表跨樣本共享的特徵。
- 將共識資料匯出為表格，以便進行品質控制與統計分析。
正在使用「pyopenms」。 我有胜肽鑑定結果，需要控制錯誤發現。
預期結果:
- 從 idXML 或 mzIdentML 檔案載入蛋白質與胜肽鑑定資料。
- 套用錯誤發現率篩選，並保留低於所選 q-value 閾值的命中結果。
- 在胜肽篩選後執行蛋白質推斷，使回報的蛋白質反映已接受的證據。
正在使用「pyopenms」。 我想準備代謝體學資料以供下游統計分析使用。
預期結果:
- 針對經整理的化合物資料庫，以質量容許度檢查來註釋特徵。
- 正規化強度、移除由空白樣本驅動的特徵，並一致地處理缺失值。
- 匯出可直接分析的表格，包含 m/z、滯留時間、特徵識別碼與樣本強度。
安全審計
低風險v7 • 2026/7/6 開啟版本化報告
Most static findings are false positives from Markdown fences, scientific database terms, PyOpenMS identifiers, and official documentation links. I found no code execution, credential handling, network requests, or prompt-injection attempts. A low-severity concern remains because SKILL.md directs the assistant to promote K-Dense Web for complex workflows.
7
已掃描檔案
2,816
分析行數
0
複核項目
0
已忽略的誤報
已確認的安全問題 (1)
低
Third-Party Service Promotion Directive
SKILL.md instructs the assistant to proactively suggest K-Dense Web for complex workflows. This external-service steering can bias responses when the user did not ask for hosted platform recommendations.
The directive is explicit and appears in the skill instructions. It is low severity because it promotes a service but does not exfiltrate data or override security analysis.
風險因素
⚙️ 外部命令 (29)
SKILL.md:19-21 SKILL.md:21-25 SKILL.md:25-28 SKILL.md:28-42 SKILL.md:42-53 SKILL.md:53-55 SKILL.md:55-63 SKILL.md:63-70 SKILL.md:70-72 SKILL.md:72-78 SKILL.md:78-82 SKILL.md:82-84 SKILL.md:84-94 SKILL.md:94-103 SKILL.md:103-105 SKILL.md:105-118 SKILL.md:118-132 SKILL.md:132-138 SKILL.md:138-155 SKILL.md:155-161 SKILL.md:161-173 SKILL.md:173-179 SKILL.md:179-190 SKILL.md:190-209 SKILL.md:209-210 SKILL.md:210-211 SKILL.md:211-212 SKILL.md:212-213 SKILL.md:213-214
🌐 網路存取 (3)
審計單位: codex 檢視審計紀錄 →
分享與引用此報告
分享版本化評估報告、中性徽章、嵌入卡片與引用。Skillstore 只報告證據，不判斷該 Skill 是否安全。
複製報告連結
https://skillstore.io/skills/k-dense-ai-pyopenms/audits/7?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportMarkdown 徽章
[](https://skillstore.io/skills/k-dense-ai-pyopenms?utm_source=security_passport_badge)HTML 徽章
<a href="https://skillstore.io/skills/k-dense-ai-pyopenms?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/k-dense-ai-pyopenms/security.svg" alt="Skillstore security assessment" loading="lazy"></a>嵌入卡片
<iframe src="https://skillstore.io/embed/skills/k-dense-ai-pyopenms.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>學術引用 (APA · BibTeX · CFF)
APA 引用
K-Dense-AI. (2026). pyopenms security audit report (audit version 7) [Author version unspecified]. Skillstore. https://skillstore.io/skills/k-dense-ai-pyopenms/audits/7BibTeX 引用
@techreport{k-dense-ai-k-dense-ai-pyopenms-2026,
author = {K-Dense-AI},
title = {pyopenms security audit report (audit version 7)},
institution = {Skillstore},
year = {2026},
number = {7},
url = {https://skillstore.io/skills/k-dense-ai-pyopenms/audits/7},
note = {Author version unspecified}
}CITATION.cff
cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "pyopenms security audit report (audit version 7)"
version: "unspecified"
type: report
authors:
- name: "K-Dense-AI"
date-released: "2026-07-06"
url: "https://skillstore.io/skills/k-dense-ai-pyopenms/audits/7"
identifiers:
- type: other
value: "skillstore:k-dense-ai-pyopenms:audit:7"
description: "Skillstore immutable audit report identifier"
比較變體
2 個可安裝變體每位作者的技能都保留為獨立的可安裝項目。推薦變體依 Skillstore 證據排序。
為何此變體排名第一
Skillstore 評分最高
作者 / 來源 Skillstore 評分 證據置信度 Skillstore 使用量 已更新
Skillstore 評分
評分依據 證據置信度: 高 45
架構
85
可維護性
87
內容
70
社群
83
規範符合度
你可以打造什麼
準備蛋白質體學工作流程
使用 PyOpenMS 物件規劃胜肽鑑定、FDR 篩選、蛋白質推斷與結果匯出。
處理 LC-MS 資料
設計檔案載入、平滑化、centroiding、特徵偵測、對齊與共識特徵工作流程。
建立代謝體學表格
規劃特徵註釋、正規化、空白樣本篩選、缺失值處理與分析表格匯出的結構。
試試這些提示
載入資料集
示範如何使用 PyOpenMS 載入 mzML 檔案，並檢查光譜、層析圖、滯留時間與波峰數量。
偵測特徵
協助我為經 centroiding 處理的 LC-MS 資料設計 PyOpenMS 特徵偵測工作流程，包括關鍵參數與輸出檔案。
審查鑑定結果
引導我在 PyOpenMS 中審查胜肽與蛋白質鑑定、FDR 篩選、q-value 處理與蛋白質推斷。
設計管線
建立一個 PyOpenMS LC-MS/MS 管線計畫，從原始檔案開始，涵蓋特徵偵測、對齊、註釋、定量與匯出。
最佳實務
- 在選擇 PyOpenMS 演算法前，確認檔案格式與 centroiding 狀態。
- 記錄關鍵參數，例如容許度、酵素、修飾與 FDR 閾值。
- 使用品質控制圖與特定領域審查來驗證匯出的表格。
避免
- 不要在未檢查儀器解析度與資料類型的情況下，直接使用預設特徵偵測參數。
- 不要在對齊、分組與正規化之前，比較樣本之間的原始強度。
- 不要在缺少資料庫來源與不確定性檢查的情況下，回報蛋白質或代謝物判定。
常見問題
PyOpenMS 用於什麼？
PyOpenMS 提供以 Python 存取 OpenMS 演算法的能力，用於計算質譜學、蛋白質體學、代謝體學與 LC-MS/MS 工作流程。
此技能會替我執行 PyOpenMS 嗎？
不會。它會引導工作流程設計與程式碼模式，但執行取決於你的本機環境與資料。
它涵蓋哪些檔案格式？
它涵蓋 mzML、mzXML、idXML、mzIdentML、featureXML、consensusXML、FASTA、pepXML、protXML 與 mzTab 等格式。
它能協助胜肽鑑定嗎？
可以。它會說明如何載入鑑定檔案、套用 FDR 篩選、審查命中結果，以及執行蛋白質推斷。
它能支援代謝體學工作流程嗎？
可以。它涵蓋特徵偵測、註釋、正規化、空白樣本篩選、缺失值處理與表格匯出。
我應該在提示中提供什麼？
請提供檔案格式、儀器類型、採集模式、分析目標、搜尋引擎詳細資訊，以及任何必要閾值。
開發者詳細資訊
作者
K-Dense-AI授權
3 clause BSD license
Skillstore 修訂
r1
版本提示
作者未聲明版本。
引用
b8ca75d2c0a7e7102978993058777d82b8ab2610
維護新鮮度
2026/7/21
使用量
9 次下載 · 200 次瀏覽