Локализованное руководство по чтению
scvi-toolsНазначение, использование и источник
Глубокое обучение для анализа отдельных клеток с использованием scvi-tools. Этот навык следует использовать, когда пользователям это необходимо (1интеграция данных и коррекция пакетных данных с помощьюscVI/scANVI, (2Анализ ATAC-seq с использованием PeakVI, (3) Мультимодальный анализ CITE-seq с использованием totalVI, (4) мультиомный РНК+ATAC анализ с помощью MultiVI, (5) деконволюция пространственной транскриптомики с помощью DestVI, (6) перенос меток и сопоставление ссылок сscANVI/scArches, (7Скорость РНК с помощью veloVI, или (8) любой метод анализа отдельных клеток на основе глубокого обучения. В качестве триггеров могут быть указаны упоминания scVI, scANVI, totalVI, PeakVI, MultiVI, DestVI, veloVI, sysVI, scArches, вариационного автокодировщика, VAE, пакетной коррекции, интеграции данных, мультимодального анализа, CITE-seq, мультиомного анализа, референсного картирования, латентного пространства.
Источник получен:
- Репозиторий-источник
- anthropics/knowledge-work-plugins
- SKILL.md
bio-research/skills/scvi-tools/SKILL.md- Звёзды репозитория
- 34,049
- Последнее обновление репозитория
- 2026-10-30
- Категории Skills
- Исследования
- Время последнего сбора
Лицензия: Файл лицензии требует проверки
Приведенные фрагменты описания рабочих процессов являются вспомогательными средствами для чтения, а не исполняемыми инструкциями от Codez. Для создания этой страницы не использовались сторонние инструменты.
Приведённые ниже фрагменты, описывающие цели и рабочие процессы, представляют собой исходный материал, систематизированный и переведённый для удобства чтения. Они отличаются от отдельно обозначенного редакционного анализа Codez.
Что делает этот навык
Глубокое обучение для анализа отдельных клеток с использованием scvi-tools. Этот навык следует использовать, когда пользователям это необходимо (1интеграция данных и коррекция пакетных данных с помощьюscVI/scANVI, (2Анализ ATAC-seq с использованием PeakVI, (3) Мультимодальный анализ CITE-seq с использованием totalVI, (4) мультиомный РНК+ATAC анализ с помощью MultiVI, (5) деконволюция пространственной транскриптомики с помощью DestVI, (6) перенос меток и сопоставление ссылок сscANVI/scArches, (7Скорость РНК с помощью veloVI, или (8) любой метод анализа отдельных клеток на основе глубокого обучения. В качестве триггеров могут быть указаны упоминания scVI, scANVI, totalVI, PeakVI, MultiVI, DestVI, veloVI, sysVI, scArches, вариационного автокодировщика, VAE, пакетной коррекции, интеграции данных, мультимодального анализа, CITE-seq, мультиомного анализа, референсного картирования, латентного пространства.
Как работает рабочий процесс на вышестоящем уровне
Как использовать этот навык
Определите соответствующий рабочий процесс изmodel/workflowВ таблицах ниже см. соответствующие справочные файлы для получения подробных инструкций и кода. Используйте скрипты вscripts/Во избежание переписывания общего кода. По вопросам установки или проблем с графическим процессором обратитесь в соответствующую службу.references/environment_setup.md
Когда использовать этот навык
Когда упоминаются scvi-tools, scVI, scANVI или аналогичные модели; когда необходима коррекция или интеграция пакетов на основе глубокого обучения; при работе с мультимодальными данными (CITE-seq, мультиом); когда требуется сопоставление референсных последовательностей или перенос меток.
проход вверх по течению · L18 ↗scvi-tools Навык глубокого обучения
Данный навык предоставляет рекомендации по анализу отдельных клеток на основе глубокого обучения с использованием scvi-tools, ведущей платформы для вероятностных моделей в геномике отдельных клеток.
проход вверх по течению · L6 ↗# 1. Validate input data
python scripts/validate_adata.py raw.h5ad --batch-key batch --suggest
# 2. Prepare data (QC, HVG selection)
python scripts/prepare_data.py raw.h5ad prepared.h5ad --batch-key batch --n-hvgs 2000
# 3. Train model
python scripts/train_model.py prepared.h5ad results/ --model scvi --batch-key batch
# 4. Cluster and visualize
python scripts/cluster_embed.py results/adata_trained.h5ad results/ --resolution 0.8
# 5. Differential expression
python scripts/differential_expression.py results/model results/adata_clustered.h5ad results/de.csv --groupby leidenТребования и настройка
Критические требования
Требуются исходные данные подсчета: для моделей scvi-tools требуются целочисленные данные подсчета. Выбор HVG: Использовать2000-4000гены с высокой изменчивостью
проход вверх по течению · L106 ↗Ограничения и проверки качества
Из этого файла не был выбран отдельный фрагмент с ограничениями. Это не означает, что навык безопасен для любых входных данных или сред. Проверьте полный исходный код и подтвердите свой собственный результат.
Начните с безопасного пробного периода.
- Проверьте поддерживаемый хост и инструкции по установке репозитория. Храните каталог Skill, а также связанные с ним скрипты, ресурсы и документацию вместе;SKILL.mdВ одиночку можно опустить зависимости.
- Предоставьте агенту ваши реальные входные данные, желаемый результат и критерии приемки. Синтаксис вызова и доступные инструменты зависят от хоста; данный сайт не предполагает универсальной команды установки.
- Попробуйте запустить исходный рабочий процесс в тестовом проекте или в его копии. Перед тем как разрешить операции, изменяющие файлы, удаленные сервисы или оплачиваемые ресурсы, проверьте их.
- Проверьте выходные данные на соответствие исходным проверкам качества и вашим собственным требованиям. Успешный запуск или большое количество звезд в репозитории не гарантируют корректного результата.
Подробнее читайте в источнике.
Смежные навыки
Перевод и сфера применения
В этом руководстве по чтению представлены избранные отрывки из закрепленного текста выше по течению.SKILL.mdПеревод выполнен с помощью переводчика. Это не полное руководство и не гарантия проверенной совместимости. Перед использованием ознакомьтесь с оригиналом и указанными в нем файлами.
Данное введение относится к закрепленной ниже версии; текущая активность в репозитории и время сбора данных отображаются отдельно.
- Закрепленный источник
- Прочитайте оригинал ↗
- Источник получен
- Исходный коммит
2574e29377c7173d0cecffef29a6ecbd7f8ccb5d- Исходный SHA-256
03a69b32b77db86afe5f87b75db2ae4c92b03b6e9e16e2c5e66cde2d4ad9c5bc