Skip to main content
scientific-perturbation-analysis シングルセル摂動解析スキル。pertpy による CRISPR スクリーン解析・
薬剤応答分析・scGen 摂動予測・Augur 摂動応答性スコアリング・
scIB 統合ベンチマーク・差次的摂動応答パイプライン。
Zur Installation springen Skills Marktplatz Entdecken und erkunden Sie KI-Skills, die von der Community erstellt wurden.
Mit Codex oder Claude installieren Kopieren Sie diesen Prompt, fügen Sie ihn in Codex, Claude oder einen anderen Assistant ein und lassen Sie die Skill-Seite prüfen und installieren.
Prompt-Details anzeigen Ein direkter Befehl überspringt den Prüf-Prompt. Prüfen Sie die Quelle, bevor Sie ihn ausführen.
npx skills add https://github.com/nahisaho/satori --skill scientific-perturbation-analysisDer Befehl bleibt in einer Zeile. Scrollen Sie horizontal, um ihn vor dem Kopieren vollständig zu prüfen.
Sie bevorzugen eine lokale Kopie? Laden Sie die Dateien herunter, die SkillsMP derzeit vorliegen.
ZIP herunterladen Herunterladen... Verwandte Berufe SOC
Basierend auf der SOC-Berufsklassifikation
Mehr aus diesem Repository name scientific-perturbation-analysis description シングルセル摂動解析スキル。pertpy による CRISPR スクリーン解析・
薬剤応答分析・scGen 摂動予測・Augur 摂動応答性スコアリング・
scIB 統合ベンチマーク・差次的摂動応答パイプライン。
tu_tools [{"key":"cellxgene","name":"CellxGene","description":"摂動解析データセット検索"}]
Scientific Perturbation Analysis
pertpy / Augur / scIB を活用したシングルセルレベルの摂動解析
パイプラインを提供する。CRISPR スクリーン、薬剤処理、
遺伝子ノックダウンなどの摂動データの統合解析。
When to Use
CRISPR スクリーンデータ (Perturb-seq) を解析するとき
薬剤処理前後のシングルセル発現変動を評価するとき
摂動応答の細胞型特異性を定量するとき
複数のバッチ統合手法をベンチマークするとき (scIB)
摂動の効果を in silico で予測するとき (scGen)
差次的優先度 (Augur) で摂動応答性の高い細胞型を特定するとき
Quick Start
1. pertpy セットアップ & データ読込み
import pertpy as pt
import scanpy as sc
import anndata as ad
import pandas as pd
import numpy as np
def load_perturbation_data (adata_path, perturbation_key="perturbation" ,
control_label="control" ):
"""
摂動実験 AnnData 読込み & 前処理。
Parameters:
adata_path: str — AnnData ファイルパス
perturbation_key: str — 摂動ラベルカラム
control_label: str — コントロールラベル
K-Dense: pertpy
"""
adata = sc.read_h5ad(adata_path)
200
3
1e4
sum
len
print
f"Loaded: {len (adata)} cells, {n_perturbations} perturbations"
print
f"Control: {n_control} , Perturbed: {n_perturbed} "
return
2. 差次的遺伝子発現 (摂動 vs コントロール) def differential_perturbation (adata, perturbation_key="perturbation" ,
control="control" , target=None ):
"""
摂動-コントロール間差次的発現解析。
Parameters:
adata: AnnData — 摂動データ
perturbation_key: str — 摂動ラベル
control: str — コントロールラベル
target: str — 比較対象摂動 (None で全摂動)
"""
if target:
mask = adata.obs[perturbation_key].isin([control, target])
adata_sub = adata[mask].copy()
else :
adata_sub = adata.copy()
sc.tl.rank_genes_groups(
adata_sub,
groupby=perturbation_key,
reference=control,
method="wilcoxon" ,
)
results = {}
for group in adata_sub.obs[perturbation_key].unique():
if group == control:
continue
try :
degs = sc.get.rank_genes_groups_df(adata_sub, group=group)
degs_sig = degs[degs["pvals_adj" ] < 0.05 ]
results[group] = {
"n_degs" : len (degs_sig),
"n_up" : (degs_sig["logfoldchanges" ] > 0 ).sum (),
"n_down" : (degs_sig["logfoldchanges" ] < 0 ).sum (),
"top_genes" : degs_sig.head(10 )["names" ].tolist(),
}
except Exception:
continue
print (f"DE results: {len (results)} perturbations analyzed" )
return results
3. Augur 摂動応答性スコアリング def augur_prioritization (adata, perturbation_key="perturbation" ,
cell_type_key="cell_type" , control="control" ):
"""
Augur で細胞型ごとの摂動応答性をスコアリング。
Parameters:
adata: AnnData — 摂動データ
perturbation_key: str — 摂動ラベル
cell_type_key: str — 細胞型ラベル
control: str — コントロールラベル
K-Dense: augur (via pertpy)
"""
ag = pt.tl.Augur(estimator="random_forest_classifier" )
adata_augur, results = ag.predict(
adata,
condition_key=perturbation_key,
cell_type_key=cell_type_key,
control_label=control,
)
auc_df = results["summary_metrics" ]
auc_df = auc_df.sort_values("auc" , ascending=False )
print (f"Augur prioritization:" )
for _, row in auc_df.head(5 ).iterrows():
print (f" {row['cell_type' ]} : AUC={row['auc' ]:.3 f} " )
return auc_df
4. scGen 摂動予測 def scgen_perturbation_prediction (adata, perturbation_key="perturbation" ,
cell_type_key="cell_type" ,
control="control" , target_perturbation=None ,
target_cell_type=None ):
"""
scGen による摂動効果の in silico 予測。
Parameters:
adata: AnnData — 訓練データ
target_perturbation: str — 予測対象の摂動
target_cell_type: str — 予測対象の細胞型
"""
import scgen
scg = scgen.SCGEN(adata)
scg.train(max_epochs=100 , batch_size=32 )
pred, delta = scg.predict(
ctrl_key=control,
stim_key=target_perturbation,
celltype_to_predict=target_cell_type,
)
print (f"scGen prediction: {target_cell_type} under {target_perturbation} " )
print (f" Predicted cells: {pred.shape[0 ]} " )
return pred, delta
5. scIB 統合ベンチマーク def benchmark_integration (adata, batch_key="batch" , label_key="cell_type" ,
methods=None ):
"""
scIB でバッチ統合手法をベンチマーク。
Parameters:
adata: AnnData — バッチ混在データ
batch_key: str — バッチラベル
label_key: str — 細胞型ラベル
methods: list — 評価するメトリクス
K-Dense: scib
"""
import scib
if methods is None :
methods = ["scib" ]
metrics = {}
metrics["batch_kbet" ] = scib.me.kBET(
adata, batch_key=batch_key, label_key=label_key
)
metrics["batch_silhouette" ] = scib.me.silhouette_batch(
adata, batch_key=batch_key, label_key=label_key, embed="X_pca"
)
metrics["bio_nmi" ] = scib.me.nmi(adata, label_key, "leiden" )
metrics["bio_ari" ] = scib.me.ari(adata, label_key, "leiden" )
metrics["bio_silhouette" ] = scib.me.silhouette(
adata, label_key=label_key, embed="X_pca"
)
metrics["overall" ] = 0.6 * np.mean([
metrics["bio_nmi" ], metrics["bio_ari" ], metrics["bio_silhouette" ]
]) + 0.4 * np.mean([
metrics["batch_kbet" ], metrics["batch_silhouette" ]
])
print (f"scIB benchmark:" )
for k, v in metrics.items():
print (f" {k} : {v:.4 f} " )
return metrics
6. 摂動シグネチャ解析 def perturbation_signature (adata, perturbation_key="perturbation" ,
control="control" , n_top_genes=50 ):
"""
摂動特異的遺伝子シグネチャ抽出。
Parameters:
adata: AnnData — 摂動データ
perturbation_key: str — 摂動ラベル
control: str — コントロールラベル
n_top_genes: int — トップ遺伝子数
"""
perturbations = [p for p in adata.obs[perturbation_key].unique()
if p != control]
signatures = {}
ctrl_mean = adata[adata.obs[perturbation_key] == control].X.mean(axis=0 )
ctrl_mean = np.asarray(ctrl_mean).flatten()
for pert in perturbations:
pert_mask = adata.obs[perturbation_key] == pert
pert_mean = adata[pert_mask].X.mean(axis=0 )
pert_mean = np.asarray(pert_mean).flatten()
delta = pert_mean - ctrl_mean
gene_indices = np.argsort(np.abs (delta))[::-1 ][:n_top_genes]
signatures[pert] = {
"top_genes" : adata.var_names[gene_indices].tolist(),
"deltas" : delta[gene_indices].tolist(),
"n_cells" : int (pert_mask.sum ()),
}
print (f"Signatures extracted: {len (signatures)} perturbations, "
f"{n_top_genes} genes each" )
return signatures
パイプライン統合 single-cell-genomics → perturbation-analysis → pathway-enrichment
(scRNA-seq QC) (摂動 DE/Augur/scGen) (KEGG/Reactome)
│ │ ↓
spatial-transcriptomics ──┘ │ disease-research
(Visium/MERFISH) ↓ (GWAS/DisGeNET)
drug-target-profiling
(標的候補評価)
パイプライン出力 ファイル 説明 次スキル results/perturbation_de.json差次的発現結果 → pathway-enrichment results/augur_scores.csvAugur 応答性スコア → single-cell-genomics results/perturbation_signatures.json摂動シグネチャ → drug-target-profiling results/scib_benchmark.json統合ベンチマーク → spatial-transcriptomics
ToolUniverse 連携 TU Key ツール名 連携内容 cellxgeneCellxGene 摂動解析データセット検索
