SKILLEMALL.ai

BC tooluniverse-epigenomics

Готовая к производству обработка геномных и эпигеномных данных для запросов BixBench. Обрабатывает анализ метилирования (фильтрация CpG, дифференциальное метилирование, обнаружение CpG, связанных с возрастом, плотность на уровне хромосом), анализ пиков ChIP-seq (определение пиков, обогащение мотивов, статистика покрытия), анализ доступности хроматина ATAC-seq, интеграцию мультиомиксных данных (корреляция экспрессии и метилирования) и общегеномную статистику. Чистые вычисления на Python (pandas, scipy, numpy, pysam, statsmodels) плюс инструменты аннотации ToolUniverse (Ensembl, ENCODE, SCREEN, JASPAR, ReMap, RegulomeDB, ChIPAtlas). Поддерживает BED, BigWig, матрицы бета-значений метилирования, файлы манифеста Illumina и клинические данные для нескольких образцов. Используйте при обработке данных метилирования, пиков ChIP-seq, сигналов ATAC-seq или при ответах на вопросы о сайтах CpG, дифференциальном метилировании, доступности хроматина, гистоновых метках или эпигеномной статистике.

машинный переводПоказать оригиналСкрыть оригинал«Production-ready genomics and epigenomics data processing for BixBench…»

Production-ready genomics and epigenomics data processing for BixBench questions. Handles methylation array analysis (CpG filtering, differential methylation, age-related CpG detection, chromosome-level density), ChIP-seq peak analysis (peak calling, motif enrichment, coverage stats), ATAC-seq chromatin accessibility, multi-omics integration (expression + methylation correlation), and genome-wide statistics. Pure Python computation (pandas, scipy, numpy, pysam, statsmodels) plus ToolUniverse annotation tools (Ensembl, ENCODE, SCREEN, JASPAR, ReMap, RegulomeDB, ChIPAtlas). Supports BED, BigWig, methylation beta-value matrices, Illumina manifest files, and multi-sample clinical data. Use when processing methylation data, ChIP-seq peaks, ATAC-seq signals, or answering questions about CpG sites, differential methylation, chromatin accessibility, histone marks, or epigenomic statistics.

FreedomIntelligence/OpenClaw-Medical-Skills Agent Skills автор: FreedomIntelligence 5 файлов · 1 скрипт тело ≈ 13 442 токенов Открыть источникgithub.com↗ проанализирован 15 ч назад

Готовая к производству обработка геномных и эпигеномных данных для запросов BixBench.

Как процесс C 55/100 · Есть пробелы — слабые места: входы и предусловия, стоимость исполнения, повторный запуск

ПроцедураДанные и аналитикатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
91/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
78
Прогон на моделях
не было
Процессный рейтинг
C
55/100
Есть пробелы
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
Повторный запуск вес 4
30
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
Для прогона на моделях — необязательно
  • Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
  • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

Находки guard · 0

✓ Критических и высоких находок нет

Просканировано файлов: 4. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение body-long тело SKILL.md ≈ 13442 токенов (рекомендуется < 5000); вынесите детали в references/

Процессный рейтинг: все десять параметров 55/100

  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
  • 40Стоимость исполнения. Тело инструкции 13442 токенов: вытесняет саму задачу из окна
  • 50Когда включается. Не сказано, при каком запросе скилл включается
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
  • 85Шаги. Шагов: 72, расплывчатых формулировок: 2
  • 100Согласованность. Имя и обязательные поля на месте
  • low Разделов верхнего уровня: 11. Похоже на несколько доменов в одном скилле

Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

Сигналы качества

  • +5В description нет примеров фраз, по которым скилл должен срабатывать
  • +3Длина description 894: рекомендуется 120–800 символов
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +4Описание говорит, когда скилл НЕ применять
  • +4Структура: 52 заголовков
  • +3Пошаговые инструкции: 72 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (25 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 78.