von K-Dense-AI
scvi-tools ist ein Python-Framework für probabilistische Single-Cell-Analysen. Verwenden Sie diesen scvi-tools Skill für Batch-Korrektur, latente Embeddings, differentielle Expression mit Unsicherheit, Transfer Learning und multimodale Integration. Er eignet sich besonders gut für Single-Cell-RNA-seq-, ATAC-, CITE-seq-, Multiome- und Spatial-Workflows, vor allem bei fortgeschrittenen Machine-Learning-Anwendungsfällen.
von K-Dense-AI
scvelo ist ein Python-Skill für die RNA-Velocity-Analyse in Single-Cell-RNA-seq-Daten. Nutzen Sie ihn, um Zellzustandsübergänge aus ungespleißter und gespleißter mRNA zu schätzen, die Richtung von Trajektorien abzuleiten, die latente Zeit zu berechnen und Treiber-Gene zu identifizieren. Besonders hilfreich ist scvelo für Data Analysis, wenn Sie mehr Richtungsinformation benötigen als bei klassischem Clustering oder Pseudotime.
von K-Dense-AI
scanpy-Skill für die Analyse von Single-Cell-RNA-seq-Daten in Python. Geeignet für QC, Normalisierung, PCA, UMAP/t-SNE, Clustering, Markergen-Analyse, Trajektorienanalyse und Plots in Publikationsqualität. Am besten für explorative scRNA-seq-Workflows rund um AnnData, mit klaren Hinweisen zur Nutzung von scanpy und zur Installation.
von K-Dense-AI
geniml ist ein Skill für Machine Learning mit genomischen Intervallen auf BED-Dateien, scATAC-seq-Ausgaben und Daten zur Chromatinzugänglichkeit. Nutzen Sie ihn für Region2Vec, BEDspace, scEmbed, Konsensus-Peaks und andere ML-Workflows auf Regionsebene. Er passt gut, wenn Sie Embeddings, Clustering oder Hinweise zur Vorverarbeitung für genomische Regionen benötigen.
