메뉴
植物根长度数据的自动化统计分析，包含方差分析(ANOVA)、Tukey HSD多重比较和出版级可视化。 当用户提到：根长度、植物表型、处理组比较（Mock vs ISX）、R语言ANOVA分析，或提供包含 sample/treatment/length列的CSV/Excel数据时使用。也适用于生物统计和科学绘图。
기본적으로 소스를 먼저 확인하는 Prompt가 선택됩니다. 직접 명령으로 전환하거나 로컬 사본을 다운로드할 수도 있습니다.
설치 여부를 결정하기 전에 SKILL.md와 SkillsMP에 표시된 보조 파일을 읽어 보세요.
Codex 또는 Claude로 설치 이 Prompt를 복사해 Codex, Claude 또는 다른 어시스턴트에 붙여 넣으면 Skill 페이지를 검토하고 설치를 진행할 수 있습니다.
직접 명령은 검토 Prompt를 거치지 않습니다. 실행하기 전에 소스를 확인하세요.
npx skills add https://github.com/lewisoepwqi/scientific_nini --skill root-analysis명령은 한 줄로 유지됩니다. 복사하기 전에 가로로 스크롤해 전체 내용을 확인하세요.
로컬 사본을 원하시나요? SkillsMP에서 현재 제공할 수 있는 파일을 다운로드하세요.
SKILL.md 표시 중
SOC 직업 분류 기준
| name | root-analysis |
| description | 植物根长度数据的自动化统计分析，包含方差分析(ANOVA)、Tukey HSD多重比较和出版级可视化。 当用户提到：根长度、植物表型、处理组比较（Mock vs ISX）、R语言ANOVA分析，或提供包含 sample/treatment/length列的CSV/Excel数据时使用。也适用于生物统计和科学绘图。 |
| category | statistics |
| agents | ["nini","claude-code","codex"] |
| tags | ["root-length","anova","tukey-hsd","plant-phenotype","biostatistics"] |
| aliases | ["根长分析","根长度分析","根系分析","root length analysis"] |
| allowed-tools | ["ask_user_question","dataset_catalog","code_session","run_r_code","chart_session","report_session","export_document","export_report","workspace_session","stat_test","stat_model","stat_interpret","report_session","task_state","analysis_memory"] |
| argument-hint | <data-file-path> |
| user-invocable | true |
| disable-model-invocation | false |
| license | MIT |
使用 dataset_catalog、run_r_code、code_session、chart_session 和 report_session，对植物根长度数据进行专业的统计分析、可视化与结果整理。
本技能帮助生物学研究者通过简单的3步工作流程分析根长度数据：
最低要求：
sample（样本）、treatment（处理）、length（长度）您将获得：
示例对话：
用户："我有根长度数据需要分析"
Claude："我来帮您分析根长度数据。请提供CSV或Excel文件的路径。"
用户："C:/data/roots_2024.csv"
Claude：[验证数据，询问颜色方案，生成分析]
结果：5分钟内得到专业图表和统计结果
不再限于Mock vs ISX两组比较！现在支持：
示例：
处理组：Mock, ISX, Treatment3, Treatment4
基线：Mock（默认）或任意其他组
结果：4个分面的图表 + 多组比率分析
一次性分析多个实验数据！
使用场景：
无需安装R环境！现在支持纯Python模式：
适用场景：
如何使用：
# 生成Python项目（而非R项目）
python scripts/generate_r_project.py --data-file data.csv --use-python
python scripts/batch_analysis.py --files *.csv --use-python
您的数据文件必须包含3列（列名区分大小写）：
| 列名 | 类型 | 说明 | 示例值 |
|---|---|---|---|
sample | 文本 | 样本或基因型名称 | Col_0, mutant1, Aox1a OE |
treatment | 文本 | 处理组（必须包含"Mock"） | Mock, ISX |
length | 数值 | 根长度测量值 | 5.23, 4.1, 3.87 |
✅ 必须满足：
sample、treatment、length（小写）Mock（大写M）❌ 常见错误：
sample,treatment,length
Col_0,Mock,5.2
Col_0,Mock,5.4
Col_0,Mock,5.1
Col_0,ISX,4.1
Col_0,ISX,4.3
Col_0,ISX,4.2
mutant1,Mock,3.8
mutant1,Mock,4.0
mutant1,Mock,3.9
mutant1,ISX,5.2
mutant1,ISX,5.4
mutant1,ISX,5.1
详细格式说明见：references/data_format.md
当您调用此技能时，我将引导您完成以下步骤：
我会询问您的数据文件路径。
支持格式：CSV (.csv)、Excel (.xlsx, .xls)
我会使用验证脚本自动检查您的数据：
python scripts/validate_data.py <您的文件>
验证项目：
如果验证失败：我会提供清晰的错误信息和具体修复建议。
如果验证成功：我会显示数据摘要：
{
"n_samples": 9,
"treatments": ["Mock", "ISX"],
"n_measurements": 450,
"length_range": {"min": 3.0, "max": 5.5, "mean": 4.4}
}
我会使用 ask_user_question 工具询问分析参数：
问题1：颜色方案
选项：
high_contrast（推荐）- 24种高对比度颜色，视觉最清晰default - 32种多样化颜色，适合大样本集blue - 蓝色渐变（5-16个样本）green - 绿色渐变，植物主题qualitative - 平衡的分类颜色问题2：样本排序
选项：
auto（推荐）- Col_0优先，然后非OE样本，最后OE样本custom - 自定义排序（我会询问具体顺序）我会创建完整的R分析项目：
python scripts/generate_r_project.py \
--data-file <您的文件> \
--color-scheme <选择> \
--sample-order <auto或custom> \
--output-dir output \
--width 8 \
--height 6
输出结构：
r_analysis_project/
├── main.R
├── R/
│ ├── load_packages.R
│ ├── data_processing.R
│ ├── statistical_analysis.R
│ └── plotting.R
└── output/
├── figures/
└── records/
我会运行R分析：
cd r_analysis_project && Rscript main.R
处理过程：
我会向您展示：
统计摘要：
=== ANOVA结果（Mock组）===
F统计量：12.4，p < 0.001
样本间存在显著差异
=== ANOVA结果（ISX组）===
F统计量：8.7，p < 0.001
样本间存在显著差异
生成的文件：
output/figures/root_length_plot.pdf - 主图表，带显著性字母output/figures/ratio_plot.pdf - ISX/Mock比率比较output/records/sample_order.txt - 使用的样本排序output/records/color_mapping.csv - 颜色分配可选：我可以解释统计结果、显著性字母或分析的任何方面。
单因素方差分析检验每个处理组内不同样本的平均根长度是否存在差异。
关键数值：
示例：
处理组：Mock
F(8, 216) = 12.43，p < 0.001
解读：在8个样本和216次测量中，我们发现强有力的证据（p < 0.001）表明样本的Mock根长度存在差异。
ANOVA检测到差异后，Tukey HSD识别具体哪些配对存在差异。
结果以字母显示（a、b、c等）：
规则：共享字母的组 → 无显著差异
示例1：
Col_0: a
mutant1: b
mutant2: c
三者互相都有显著差异。
示例2：
Col_0: a
mutant1: ab
mutant2: b
目的：显示对ISX处理的相对响应。
计算方法：
比率 = (单个ISX长度值) / (该样本Mock组的平均值)
解释：
比率图上的显著性字母表明哪些样本对ISX的响应不同。
详细统计方法说明见：references/statistical_methods.md
root_length_plot.pdf)内容：
用途：展示绝对根长度和处理效应
ratio_plot.pdf)内容：
用途：比较不同样本对处理的相对响应
sample_order.txt)内容：
样本排列顺序（左→右）：
1. Col_0
2. om66
3. upox1_1
4. Aox1a OE
5. UPOX1 OE
用途：理解图表布局，重现分析
color_mapping.csv)内容：
sample,color
Col_0,#808080
om66,#8fb79d
upox1_1,#dd3125
用途：跨图表保持颜色一致性，创建自定义图表
内容：
用途：详细统计数据，论文方法部分
错误："缺少必需列"
修复：将列重命名为：sample、treatment、length（小写）
Excel：右键点击列 → 重命名
CSV：在文本编辑器中编辑
错误："treatment列必须包含'Mock'"
修复：将对照组重命名为"Mock"（大写M）
查找替换："control" → "Mock"
错误："length列包含非数值"
修复：从长度列中删除单位和文本
错误："5.2 cm"、"未测量"
正确：5.2、NA（表示缺失）
警告："某些样本的测量次数少于3次"
原因：某些行中样本名称拼写不同
修复：统一拼写
upox1-1 → upox1_1（选择一种风格）
Mutant1 → mutant1（检查大小写）
错误："未找到包'readxl'"
修复：脚本首次运行时会自动安装包
如果失败，在R中手动安装：
install.packages(c("readxl", "dplyr", "ggplot2", "multcompView", "tidyr"))
样本数量超过颜色方案：
解决方案：使用"default"或"high_contrast"方案
这些方案会自动为大样本集生成额外颜色
样本名称截断或重叠：
修复1：增加图表宽度
--width 10（代替8）
修复2：编辑 R/plotting.R
修改：angle = 45 为 angle = 90（垂直标签）
修改：size = 12 为 size = 10（更小字体）
图表上没有字母显示：
原因：ANOVA p值 > 0.05（无显著差异）
检查：控制台输出的ANOVA结果
如果确实不显著，这是正确的 - 不需要字母
如果数据看起来有差异，检查：
- 样本量（需要>3次重复）
- 高方差（离群值？）
- 数据录入错误
脚本运行缓慢：
正常时间：200-500次测量需要1-2分钟
如果>5分钟：
- 检查数据文件大小（>10,000行？）
- 关闭其他R会话
- 检查是否有无限循环（报告为bug）
assets/example_data.csv 比较python scripts/validate_data.py your_file.csv想要修改分析的用户：
颜色方案：见 references/customization.md
样本排序：见 references/customization.md
图表尺寸：见 references/customization.md
统计选项：见 references/customization.md
添加自定义颜色方案：编辑 R/plotting.R → create_color_maps()
更改显著性水平：编辑 R/statistical_analysis.R → TukeyHSD(model, conf.level = 0.99)
修改图表美学：编辑 R/plotting.R → create_root_length_plot()
用户："我需要分析突变体的根长度数据"
Claude："我来帮您用ANOVA分析根长度数据并生成出版级图表。
请提供CSV或Excel文件的路径。"
用户："C:/experiments/root_data.xlsx"
Claude：[运行验证]
"✓ 数据验证通过！
- 发现9个样本：Col_0、Aox1a OE、upox1_1...
- 处理组：Mock、ISX
- 总计450次测量
现在配置分析。您想要哪种颜色方案？"
[显示颜色方案选项]
用户：[选择"high_contrast"]
Claude："很好的选择！图表中的样本应该如何排序？"
[显示排序选项]
用户：[选择"auto"]
Claude：[生成项目并运行分析]
"✓ 分析完成！
统计结果：
- Mock组：F(8,216) = 12.4，p < 0.001 → 发现显著差异
- ISX组：F(8,216) = 8.7，p < 0.001 → 发现显著差异
- 比率分析：F(8,216) = 6.3，p < 0.001 → 样本对ISX的响应不同
生成的文件：
📊 r_analysis_project/output/figures/root_length_plot.pdf
📊 r_analysis_project/output/figures/ratio_plot.pdf
📄 r_analysis_project/output/records/sample_order.txt
📄 r_analysis_project/output/records/color_mapping.csv
需要我解释显著性字母的含义吗？"
用户："是的，请解释"
Claude：[用他们数据中的示例解释Tukey HSD字母]
如果您在发表的研究中使用此技能，请致谢：
根长度统计分析使用R（v4.x）及以下包完成：ggplot2（Wickham，2016）、
dplyr（Wickham等，2023）和multcompView（Graves等，2023）。
ANOVA和Tukey HSD事后检验在α = 0.05显著性水平下进行。
参考文献：
本技能在MIT许可证下发布。详见 LICENSE.txt。
在实际研究中，您可能需要比较：
传统的两组比较（Mock vs ISX）无法满足这些需求。多处理组支持让您可以在一张图表中比较所有条件。
数据格式（与之前相同，只是treatment有更多选项）：
sample,treatment,length
Col_0,Mock,5.2
Col_0,Drug1,4.1
Col_0,Drug2,3.5
Col_0,Drug3,4.8
mutant1,Mock,3.8
mutant1,Drug1,5.2
mutant1,Drug2,4.2
mutant1,Drug3,4.5
命令行使用：
python scripts/generate_r_project.py \
--data-file data.csv \
--baseline-treatment Mock # 指定基线处理组（默认Mock）
通过对话： 技能会自动检测您有多个处理组，并询问：
根长度图：
比率图：
统计分析：
批量分析适用于以下情况：
场景1：时间序列实验
实验目录/
├── day1_roots.csv
├── day3_roots.csv
├── day5_roots.csv
└── day7_roots.csv
场景2：不同条件实验
数据/
├── temperature_20C.csv
├── temperature_25C.csv
└── temperature_30C.csv
场景3：独立重复实验
重复实验/
├── replicate1.csv
├── replicate2.csv
└── replicate3.csv
方式1：分析整个目录
python scripts/batch_analysis.py \
--input-dir data_directory/ \
--output-dir batch_results \
--color-scheme high_contrast \
--baseline-treatment Mock
方式2：指定文件列表
python scripts/batch_analysis.py \
--files exp1.csv exp2.csv exp3.csv \
--output-dir batch_results
方式3：通过Claude对话
用户："我有10个实验的数据文件需要批量分析"
Claude："请提供文件所在目录，或提供文件列表"
用户："C:/experiments/batch_data/"
Claude：[自动批量分析所有文件]
1. 独立分析结果
每个数据文件都会生成独立的分析项目：
batch_results/
├── experiment1_20240227_143025/
│ ├── main.R
│ ├── R/
│ └── output/
│ ├── figures/
│ │ ├── root_length_plot.pdf
│ │ └── ratio_plot.pdf
│ └── records/
├── experiment2_20240227_143026/
│ └── ...
└── summary_report.html
2. HTML汇总报告（summary_report.html）
包含：
3. JSON输出
程序结束时输出JSON格式的结果：
{
"success": true,
"summary_report": "batch_results/summary_report.html",
"statistics": {
"total": 10,
"successful": 9,
"failed": 1
}
}
跳过R执行（仅生成项目，不运行分析）：
python scripts/batch_analysis.py \
--input-dir data/ \
--skip-r
适用于：
自定义配置：
python scripts/batch_analysis.py \
--input-dir data/ \
--color-scheme blue \
--baseline-treatment Control \
--output-dir my_batch_results
示例：分析10个文件
批量分析会优雅处理错误：
所有错误都会在HTML报告中详细记录。
数据（drug_screening.csv）：
sample,treatment,length
WT,Mock,5.2
WT,Mock,5.4
WT,Mock,5.1
WT,DrugA,4.1
WT,DrugA,4.3
WT,DrugB,3.5
WT,DrugB,3.7
WT,DrugC,5.8
WT,DrugC,6.0
mutant1,Mock,3.8
mutant1,DrugA,5.2
mutant1,DrugB,4.2
mutant1,DrugC,3.9
分析：
python scripts/generate_r_project.py \
--data-file drug_screening.csv \
--baseline-treatment Mock \
--color-scheme high_contrast
cd r_analysis_project && Rscript main.R
结果：
数据结构：
time_series/
├── day0.csv (Mock, ISX)
├── day3.csv (Mock, ISX)
├── day7.csv (Mock, ISX)
└── day14.csv (Mock, ISX)
批量分析：
python scripts/batch_analysis.py \
--input-dir time_series/ \
--output-dir time_series_results
应用：