pydeseq2

pydeseq2 스킬 개요

pydeseq2가 필요한 경우

pydeseq2는 bulk RNA-seq 카운트 데이터를 대상으로 차등 발현 분석을 수행하는 Python 스킬입니다. 원시 카운트와 샘플 메타데이터를 받아 DE 결과, fold change, 보정된 p-value, 그리고 volcano plot과 MA plot 같은 기본 탐색용 출력까지 이어지도록 도와줍니다.

이런 사용자에게 적합합니다

Python에서 DESeq2 스타일 분석을 하고 싶거나, 다중 요인 설계를 다뤄야 하거나, 차등 발현 분석을 pandas/AnnData 기반 워크플로에 자연스럽게 넣고 싶다면 pydeseq2 스킬이 잘 맞습니다. 이미 카운트 매트릭스와 임상 또는 실험 메타데이터를 갖고 있는 분석가에게는 적합하지만, RNA-seq 전처리 전체 파이프라인을 찾는 사용자에게는 맞지 않습니다.

유용한 이유

pydeseq2의 핵심 가치는 Python 사용자가 차등 발현을 위해 R의 DESeq2로 따로 넘어가야 하는 번역 부담을 줄여준다는 점입니다. Wald 검정, 다중검정 보정, 선택적 apeGLM shrinkage, 그리고 노트북이나 파이프라인에서 재현 가능하게 쓰기 좋은 워크플로를 지원합니다.

pydeseq2 스킬 사용하는 방법

pydeseq2 설치하기

Claude skill set에 이 스킬을 추가한 뒤, 프롬프트를 넣기 전에 스킬 파일을 먼저 여세요:
npx skills add K-Dense-AI/claude-scientific-skills --skill pydeseq2

pydeseq2 설치와 설정을 결정할 때는, 환경에 RNA-seq 카운트 테이블과 샘플 메타데이터, 그리고 워크플로에 필요한 Python 패키지가 이미 있는지 확인하세요. 샘플별 유전자 카운트와 설계식 또는 그룹 변수를 제공할 수 있을 때 가장 유용합니다.

올바른 입력부터 시작하기

pydeseq2를 잘 쓰려면 입력 구조가 깔끔해야 합니다:

• 샘플을 행, 유전자를 열로 둔 카운트 매트릭스
• 샘플 ID로 인덱싱된 메타데이터
• 명확한 조건 컬럼과, 모델에 넣을 배치 또는 공변량 컬럼
• treated vs control 같은 명시적인 비교 대상

약한 프롬프트는 이런 식입니다: “내 RNA-seq 데이터로 차등 발현 분석해줘.”
더 강한 프롬프트는 이렇게 씁니다: “24개 샘플의 bulk RNA-seq 카운트 매트릭스에 pydeseq2를 사용해서 treated vs control을 비교하고, batch를 공변량으로 포함하고, 매우 낮은 카운트 유전자는 필터링한 뒤, 유의한 유전자와 volcano/MA plot 코드를 반환해줘.”

먼저 읽어야 할 파일

워크플로와 예상되는 분석 단계를 보려면 SKILL.md부터 시작하세요. 그다음 README.md, AGENTS.md, metadata.json, 그리고 존재한다면 rules/, resources/, references/, scripts/ 폴더도 확인하세요. 이 저장소에서는 실무적으로 가장 중요한 신호가 SKILL.md에 있으므로, 추가 보조 파일이 반드시 있다고 가정하지 마세요.

pydeseq2를 제대로 활용하기

pydeseq2를 단순한 코드 생성기가 아니라 분석 방법으로 다루세요. 모델에게 다음을 분명히 알려 주세요:

• 어떤 생물종과 assay를 다루는지
• 샘플이 어떻게 그룹화되어 있는지
• 단일 요인 설계가 필요한지, 다중 요인 설계가 필요한지
• shrinkage, 랭킹, 시각화가 필요한지
• dataframe, notebook 셀, 재사용 가능한 스크립트 등 어떤 출력 형식이 필요한지

이렇게 해야 모델이 추측으로 처리하지 않고, 적절한 설계·필터링·해석 단계를 선택할 수 있어 pydeseq2 활용도가 높아집니다.

pydeseq2 스킬 FAQ

pydeseq2는 DESeq2 사용자만 위한 도구인가요?

아닙니다. Python에서 DESeq2 유사 차등 발현 분석을 하고 싶은 사람이라면 누구나 사용할 수 있습니다. 이미 pandas, scanpy, AnnData 환경에서 작업하고 있고 분석을 한 스택 안에 유지하고 싶을 때 특히 유용합니다.

사용하려면 완벽한 프롬프트가 필요한가요?

아닙니다. 다만 너무 모호한 프롬프트는 일반적인 분석 코드만 만들어내기 쉽습니다. pydeseq2 스킬은 카운트 테이블의 형태, 관심 있는 비교, 그리고 이미 알고 있는 교란 요인을 함께 제공할 때 가장 잘 작동합니다.

pydeseq2는 초보자 친화적인가요?

RNA-seq 카운트와 실험 설계의 기본을 이미 이해하고 있다면 초보자도 쓰기 쉽습니다. 하지만 정렬, 정량화, 또는 차등 발현 전에 필요한 상류 QC까지 도움을 받아야 한다면 적합하지 않습니다.

언제 pydeseq2를 쓰지 말아야 하나요?

단일세포 차등 발현, 원시 카운트가 없는 정규화 발현값 분석, 또는 전체 전사체 분석을 처음부터 끝까지 처리해야 하는 워크플로에는 쓰지 마세요. 유전자 수준 카운트 데이터가 없고 통계적 해석만 필요한 경우에도 올바른 선택이 아닙니다.

pydeseq2 스킬 개선하기

생물학적 맥락을 더 잘 전달하기

pydeseq2 결과는 파일 이름만 나열하는 프롬프트보다, 연구 설계를 설명하는 프롬프트에서 훨씬 좋아집니다. 반응 변수, 대조 조건, 배치 효과, 반복 수, 그리고 유전자 랭킹, plot 코드, 해석 중 무엇이 필요한지 함께 적어 주세요.

중요한 분석 결정을 명시하기

낮은 카운트 유전자를 어떻게 처리할지, 다중 요인 모델이 필요한지, 효과 크기에 shrinkage를 적용할지 스킬에 알려 주세요. 이런 선택은 pydeseq2 출력에 실질적인 영향을 주며, 연구와 맞지 않을 수 있는 일반적인 기본값을 피하는 데 도움이 됩니다.

재사용 가능한 출력을 요청하기

단순히 “결과”만 요청하지 말고, 저장 가능한 dataframe 스키마, plotting snippet, 또는 notebook에 바로 넣을 수 있는 워크플로를 요청하세요. 예를 들어: “모델을 적합하고, adjusted p-values를 추출한 뒤, log2 fold change와 padj가 포함된 유의 유전자 CSV를 쓰는 pydeseq2 코드를 반환해줘.”

최종 결과만 보지 말고 진단부터 반복하기

첫 실행 결과가 이상하다면, 샘플 클러스터링, 카운트 필터링 근거, 유지된 유전자 수, 설계식의 혼란(confounding) 여부처럼 QC 관점의 점검을 요청하세요. 결과가 약하거나 예상보다 지나치게 적을 때 pydeseq2 for Data Analysis를 개선하는 가장 빠른 방법입니다.