SKILLEMALL.ai
GitHub ↗ EN Войти

AD pathway-enrichment

Выполнение анализа путей и обогащения генных наборов на списках генов или ранжированных данных генов с последующей интерпретацией результатов. Используйте, когда у пользователя есть набор генов (дифференциально экспрессирующиеся гены из PyDESeq2/Scanpy, хиты CRISPR-скрининга, маркерные гены кластеров, хиты протеомики) и он хочет узнать, какие биологические пути, термины GO или генные наборы представлены избыточно или обогащены. Охватывает анализ избыточности (ORA / Enrichr / Fisher / гипергеометрический), ранжированный анализ обогащения генных наборов (GSEA / preranked), оценку единичных образцов (ssGSEA/GSVA) и функциональное профилирование с помощью библиотек gseapy, g:Profiler, Enrichr, MSigDB, GO, KEGG, Reactome и WikiPathways — плюс сопоставление идентификаторов генов, выбор правильной фоновой вселенной, коррекцию множественного тестирования, снижение избыточности, точечные диаграммы/карты обогащения и таблицы, готовые к публикации. Используйте это для "анализа путей", "анализа обогащения", "обогащения GO", "путей KEGG/Reactome", "GSEA", "избыточной представленности", "функциональной аннотации" или "в каких путях находятся мои гены".

машинный переводПоказать оригиналСкрыть оригинал«Run pathway and gene-set enrichment analysis on gene lists or ranked g…»

Run pathway and gene-set enrichment analysis on gene lists or ranked gene data, then interpret the results. Use whenever the user has a set of genes (differentially expressed genes from PyDESeq2/Scanpy, CRISPR-screen hits, cluster marker genes, proteomics hits) and wants to know which biological pathways, GO terms, or gene sets are over-represented or enriched. Covers over-representation analysis (ORA / Enrichr / Fisher / hypergeometric), ranked Gene Set Enrichment Analysis (GSEA / preranked), single-sample scoring (ssGSEA/GSVA), and functional profiling via gseapy, g:Profiler, Enrichr libraries, MSigDB, GO, KEGG, Reactome, and WikiPathways — plus gene-ID mapping, choosing the right background universe, multiple-testing correction, redundancy reduction, dotplots/enrichment maps, and publication-ready tables. Use this for "pathway analysis", "enrichment analysis", "GO enrichment", "KEGG/Reactome pathways", "GSEA", "over-representation", "functional annotation", or "what pathways are my genes in".

synthetic-sciences/OpenScience Agent Skills автор: synthetic-sciences Apache-2.0 5 файлов · 1 скрипт тело ≈ 3 098 токенов Открыть источникgithub.com↗ проанализирован 5 дн назад

Выполнение анализа путей и обогащения генных наборов на списках генов или ранжированных данных генов с последующей интерпретацией результатов.

Как процесс D 49/100 · Процесс не доведён — слабые места: результат и критерий готовности, входы и предусловия, ошибки и развилки

АнализаторДанные и аналитикатип и темы размечены автоматически по тексту скилла
Запускается в: Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) OpenClaw Goose OpenCode
JSON
Технический рейтинг
A
98/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
94
Прогон на моделях
не было
Процессный рейтинг
D
49/100
Процесс не доведён
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
три самых слабых из десяти параметров · все десять

Как улучшить

    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: 5. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 49/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 0Ошибки и развилки. Линейный процесс без обработки сбоев
    • 30Повторный запуск. Изменяющих операций: 3, без проверки текущего состояния
    • 60Инструменты и файлы. Используются инструменты (bash, web, python), но во frontmatter они не объявлены
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 85Шаги. Шагов: 26, расплывчатых формулировок: 1
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 3098 токенов
    • 100Отчётность по ходу. Скилл сообщает о ходе работы
    • low Разделов верхнего уровня: 12. 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

    • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
    • +3Длина description 1010: рекомендуется 120–800 символов
    • +3Формат ответа не описан: модель каждый раз решает сама
    • +2Инструкции на одном языке
    • +5В description 7 примера фраз-триггеров в кавычках
    • +4Структура: 23 заголовков
    • +3Пошаговые инструкции: 26 пунктов
    • +4Есть примеры (5 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (3 из 3)
    • +3Все 1 скриптов описаны в инструкциях
    • +1Лицензия указана

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 94.