single-cell-annotation-skills-with-omicverse
Automatyczna klasyfikacja typów komórek w danych single-cell RNA-seq za pomocą sześciu zaawansowanych metod.
Instalacja
Wybierz klienta i sklonuj repozytorium do odpowiedniego katalogu skilli.
Instalacja
O skillu
Umiejętność Claude do adnotacji komórek w danych single-cell przy użyciu omicverse. Obsługuje sześć podejść: SCSA (automatyczna klasyfikacja oparta na bazie danych), MetaTiME (transfer wiedzy czasowej), CellVote (konsensus głosowania), CellMatch (dopasowanie wzorców), GPTAnno (adnotacja wspomagana AI) oraz transfer etykiet metodą ważonego KNN. Każda metoda wymaga przygotowanego zestawu danych i specyficznych kroków przetwarzania — przewodnik zawiera instrukcje dla każdego wariantu.
Jak używać
Pobierz dane wejściowe: surowe liczby z PBMC3k od 10x Genomics (plik pbmc3k_filtered_gene_bc_matrices.tar.gz) lub przetworzony plik sample/rna.h5ad. Rozpakuj macierze do folderu data/filtered_gene_bc_matrices/hg19/. Pobierz również bazę danych SCSA (np. pySCSA_2024_v1_plus.db z linków Figshare lub Drive wskazanych w tutorialu).
Przeprowadź preprocessing danych: załaduj macierz za pomocą ov.io.read_10x_mtx, uruchom kontrolę jakości (ov.pp.qc), normalizację i wybór genów o wysokiej zmienności (ov.pp.preprocess), skalowanie (ov.pp.scale), analizę głównych składowych (ov.pp.pca), budowanie grafu sąsiedztwa oraz klasteryzację Leiden.
Wybierz metodę adnotacji: dla SCSA utwórz instancję pySCSA wskazując ścieżkę do bazy danych i uruchom predykcję; dla MetaTiME, CellVote, CellMatch i GPTAnno postępuj zgodnie z odpowiednimi notebookami tutorialu (t_metatime.ipynb, t_cellvote.ipynb, t_cellmatch.ipynb, t_gptanno.ipynb); dla transfer learning użyj metody ważonego KNN opisanej w t_anno_trans.ipynb.
Uruchom trening lub wnioskowanie: każda metoda ma własne parametry — SCSA wymaga wskazania bazy danych, inne metody mogą wymagać danych referencyjnych lub wag. Postępuj zgodnie z krokami opisanymi w odpowiednim notebooku tutorialu.
Zinterpretuj wyniki: każda metoda zwraca adnotacje typów komórek przypisane do każdej komórki. Porównaj wyniki między metodami (szczególnie CellVote służy do uzyskania konsensusu) i sprawdź metryki jakości opisane w tutorialach.
Dostosuj przepływ pracy: umiejętność umożliwia reprodukcję i adaptację playbooka — możesz modyfikować parametry preprocessing, wybierać różne bazy danych referencyjnych lub łączyć wyniki z wielu metod dla bardziej niezawodnej klasyfikacji.