par K-Dense-AI
scvi-tools est un framework Python pour l’analyse probabiliste de données single-cell. Utilisez ce skill scvi-tools pour la correction de batch, les embeddings latents, l’expression différentielle avec incertitude, le transfert d’apprentissage et l’intégration multimodale. Il convient particulièrement aux workflows single-cell RNA-seq, ATAC, CITE-seq, multiome et spatiaux, surtout pour des cas d’usage avancés en Machine Learning.
par K-Dense-AI
scvelo est une compétence Python dédiée à l’analyse de la vélocité ARN dans les données de séquençage RNA-seq à cellule unique. Utilisez-la pour estimer les transitions d’état cellulaire à partir des ARNm épissés et non épissés, inférer la direction des trajectoires, calculer le temps latent et identifier les gènes moteurs. Elle est particulièrement utile pour l’analyse de données avec scvelo lorsque vous avez besoin d’une information directionnelle au-delà du clustering standard ou du pseudotemps.
par K-Dense-AI
skill scanpy pour l’analyse de données RNA-seq single-cell en Python. Utilisez-le pour le contrôle qualité, la normalisation, la PCA, UMAP/t-SNE, le clustering, l’identification de gènes marqueurs, l’analyse de trajectoire et des graphiques de qualité publication. Idéal pour les workflows exploratoires de scRNA-seq centrés sur AnnData, avec des indications claires sur l’usage de scanpy et son installation.
par K-Dense-AI
geniml est un skill dédié au machine learning sur intervalles génomiques à partir de fichiers BED, de sorties scATAC-seq et de données d’accessibilité de la chromatine. Utilisez-le pour Region2Vec, BEDspace, scEmbed, les consensus peaks et d’autres workflows de ML au niveau des régions. C’est un bon choix si vous avez besoin d’embeddings, de clustering ou d’aide au prétraitement pour des régions génomiques.
