pydeseq2

pydeseq2 スキルの概要

pydeseq2 は何のためのものか

pydeseq2 は、bulk RNA-seq の count データを使った differential gene expression 分析のための Python スキルです。生のカウント値とサンプルメタデータから、DE の結果、fold change、調整済み p 値、さらに volcano plot や MA plot などの定番探索出力までまとめて扱えます。

どんな人に向いているか

pydeseq2 スキルは、Python で DESeq2 風の解析を行いたい人、multi-factor design が必要な人、あるいは differential expression を pandas/AnnData ベースのワークフローに組み込みたい人に向いています。すでに count matrix と臨床・実験メタデータを持っている解析者には相性が良い一方、RNA-seq の前処理を一式まるごと欲しい人には向きません。

何が便利なのか

pydeseq2 の主な価値は、DESeq2 のために R へ移る必要がある Python ユーザーの“翻訳コスト”を下げられることです。Wald 検定、多重検定補正、必要に応じた apeGLM shrinkage に対応しており、再現性のある notebook や pipeline で実務的に使いやすいワークフローを備えています。

pydeseq2 スキルの使い方

pydeseq2 をインストールする

まず Claude の skill set にこのスキルを追加し、その後でプロンプトを出す前に skill ファイルを開いてください。
npx skills add K-Dense-AI/claude-scientific-skills --skill pydeseq2

pydeseq2 のインストールやセットアップを判断する際は、環境に RNA-seq の count table、sample metadata、そしてワークフローに必要な Python パッケージがすでに揃っているかを確認してください。このスキルが最も役立つのは、サンプルごとの gene count と design formula か grouping variable を渡せる場合です。

適切な入力から始める

pydeseq2 をうまく使うには、まず入力構造をきれいに整えることが重要です。

• サンプルを行、gene を列にした count matrix
• sample ID で index 化された metadata
• モデルに入れたい明確な condition 列と、必要なら batch 列や共変量列
• treated vs control のような、はっきりした比較対象

弱いプロンプトの例: 「RNA-seq データで differential expression をやってください。」
強いプロンプトの例: 「24 サンプルの bulk RNA-seq count matrix に pydeseq2 を使い、treated と control を比較し、batch を共変量として入れ、極端に低 count の gene を除外したうえで、有意 gene と volcano/MA plot のコードを返してください。」

先に読むべきファイル

まず SKILL.md を見て、ワークフローと想定される解析手順を確認してください。次に README.md、AGENTS.md、metadata.json、そして存在する場合は rules/、resources/、references/、scripts/ フォルダも確認します。このリポジトリでは実務上の主な手がかりは SKILL.md にあるため、補助ファイルが必ずあるとは考えないでください。

pydeseq2 をうまく使う

pydeseq2 は単なるコード生成ではなく、解析手法として扱ってください。モデルには次の情報を伝えるとよいです。

• どの organism と assay か
• サンプルがどうグループ分けされているか
• single-factor design か multi-factor design か
• shrinkage、ranking、visualization が必要か
• dataframe、notebook cells、再利用可能な script など、必要な出力形式は何か

こうしておくと、モデルが design、filtering、解釈の手順を推測で決めるのではなく、適切に選べるため、pydeseq2 の精度と実用性が上がります。

pydeseq2 スキルの FAQ

pydeseq2 は DESeq2 ユーザーだけのものか

いいえ。Python で DESeq2 風の differential expression 解析をしたい人なら誰でも使えます。特に pandas、scanpy、AnnData で作業していて、解析をひとつのスタックに保ちたい人に向いています。

使うには完璧なプロンプトが必要か

いいえ、ただし曖昧なプロンプトだと一般的な解析コードになりがちです。pydeseq2 スキルは、count table の形、知りたい比較、既知の交絡因子を伝えるほど、うまく機能します。

pydeseq2 は初心者向きか

RNA-seq の count と実験デザインの基本をすでに理解しているなら、初心者にも使いやすいです。一方で、alignment、quantification、あるいは differential expression 前の upstream QC から助けが必要なら、やや不向きです。

pydeseq2 を使わないほうがよいのはどんなときか

single-cell differential expression、raw counts を伴わない normalized expression、または transcriptomics の end-to-end パイプライン全体が必要なワークフローには使わないでください。また、gene-level count data がなく、必要なのが統計的な解釈そのものの場合も適切ではありません。

pydeseq2 スキルを改善する方法

生物学的な背景をもっと具体的に伝える

pydeseq2 の結果が最も良くなるのは、ファイル名だけでなく研究デザインまで説明したプロンプトです。response variable、control condition、batch effect、replicate 数、さらに gene ranking、plot code、解釈のどれが欲しいかを含めてください。

重要な解析判断を明示する

低 count の gene をどう扱うか、multi-factor model を使うか、effect size に shrinkage が必要かをスキルに伝えてください。これらの選択は pydeseq2 の出力に大きく影響し、研究に合わない generic default を避けるのに役立ちます。

再利用できる出力を頼む

「結果だけ」を求めるのではなく、保存可能な dataframe schema、plot 用の snippet、あるいは notebook でそのまま使えるワークフローを依頼してください。たとえば、「model を fit し、adjusted p-value を抽出し、log2 fold change と padj を含む significant genes の CSV を書き出す pydeseq2 コードを返してください」のように指定します。

最終結果だけでなく診断から改善する

最初の実行結果に違和感があるなら、QC 重視の確認を依頼してください。たとえば、sample clustering、count filtering の根拠、残った gene 数、design formula に confounding がないか、などです。結果が弱い、あるいは想定より極端に少ないときに、Data Analysis としての pydeseq2 を改善する最短ルートです。