Communitygithub.com

bulk-rnaseq

End-to-End Bulk-RNA-seq-Orchestrator – übernimmt rohe FASTQ-Reads durch QC und Trimmung (FastQC, fastp/Trim Galore), Alignment und Quantifizierung (STAR, Salmon, featureCounts), erstellt eine Genlevel-Zählmatrix und übergibt an differentielle Expression (pydeseq2), Pathway/GSEA-Anreicherung (pathway-enrichment) und Publikationsgrafiken (scientific-visualization). Verwenden Sie dies immer, wenn der Benutzer Bulk-RNA-seq-Reads oder Quant-Output hat und einen vollständigen, reproduzierbaren Differential-Expression-Workflow wünscht – z. B.

Was ist bulk-rnaseq?

Dieses Skill orchestriert eine vollständige, **verteidigbare** Bulk-RNA-seq-Differential-Expressionsstudie – von rohen Sequenzier-Reads bis zu angereicherten Pfaden und Abbildungen. Es fungiert als Router, der verschiedene spezialisierte Fähigkeiten (z. B. pydeseq2 für die Statistik, pathway-enrichment für GSEA, scientific-visualization für Grafiken) in der richtigen Reihenfolge verbindet und die kritische Lücke zwischen rohen Reads und einer genauen Genlevel-Zählmatrix schließt. Die Pipeline besteht aus **FastQC/Trimmung → Alignment/Quantifizierung (STAR/Salmon) → Zählmatrix → Differentielle Expression → Anreicherung → Abbildungen**. Der Workflow ist in zwei Pfade unterteilt: Pfad A verwendet das Standard-Pipeline `nf-core/rnaseq` (empfohlen für Reproduzierbarkeit und MultiQC), während Pfad B eigenständige Tools für kleinere oder nicht standardkonforme Setups bereitstellt. Reproduzierbarkeit, Qualitätskontrolle (QC) und statistische Solidität (≥3 Replikate, Batch-Kontrolle, FDR) sind von Anfang bis Ende integriert und werden durch dedizierte Referenzdateien und Skripte unterstützt. Das Skill ist ideal für Entwickler, die einen klaren, modularen und gut dokumentierten Bulk-RNA-seq-Workflow benötigen, und unterstützt sowohl Anfänger als auch erfahrene Bioinformatiker.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/K-Dense-AI/scientific-agent-skills/tree/main/skills/bulk-rnaseq
Original anzeigen→Alle Skills durchsuchen

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

OpenAIChatGPTClaudeClaudeGeminiGeminiGrokGrokPerplexityPerplexityDeepSeekDeepSeek

Dokumentation

Bulk RNA-seq

Übersicht

Dieses Skill orchestriert eine vollständige, verteidigbare Bulk-RNA-seq-Differential-Expressionsstudie – von rohen Sequenzier-Reads bis zu angereicherten Pfaden und Abbildungen. Es ist ein Router, keine Neuimplementierung: Die meisten Stufen haben bereits dedizierte Fähigkeiten in diesem Repository, und dieses Skill verbindet sie in der richtigen Reihenfolge, schließt die eine echte Lücke (rohe Reads → eine Genlevel-Zählmatrix) und erzwingt die Design- und QC-Entscheidungen, die bestimmen, ob das endgültige Ergebnis vertrauenswürdig ist.

„Verteidigbar“ bedeutet drei Dinge, die durchgängig angewendet werden:

  • Reproduzierbar – festgelegte Pipeline-/Tool-Versionen, wo möglich Container, aufgezeichnete Parameter, feste Zufalls-Seeds.
  • Qualitätsgesichert – QC wird inspiziert und darauf reagiert, vor, während und nach der Quantifizierung, nicht übersprungen.
  • Statistisch fundiert – ausreichende Replikation, ein Design, das zur Biologie passt, korrekt behandelte Zählwerte und FDR-kontrolliertes Testen.

Die Pipeline ist: FastQC/Trimmung → Alignment/Quant (STAR/Salmon) → Zählwerte → DE (pydeseq2) → Anreicherung (pathway-enrichment) → Abbildungen.

Wann dieses Skill verwenden

Verwenden Sie dieses Skill, wenn der Benutzer Folgendes möchte:

  • Von FASTQ-Dateien (oder einem Sequenzierlauf) zu differentiell exprimierten Genen und Pfaden gelangen.
  • nf-core/rnaseq ausführen oder konfigurieren oder mit STAR, Salmon oder featureCounts alignieren/quantifizieren.
  • Salmon/STAR/featureCounts-Output in eine für DESeq2/PyDESeq2 bereite Zählmatrix umwandeln.
  • Ein Bulk-RNA-seq-Experiment entwerfen oder auf Plausibilität prüfen (Replikate, Batch, Strähnigkeit), bevor Rechenleistung gebunden wird.
  • Eine End-to-End-RNA-seq-Analyse abstecken und entscheiden, welche Tools und Fähigkeiten verknüpft werden sollen.

Dies ist Bulk-RNA-seq (Proben = biologische Proben). Für Einzelzell-/Kern-Daten verwenden Sie scanpy; für die DE-Statistik allein verwenden Sie pydeseq2; für die Anreicherung allein verwenden Sie pathway-enrichment.

Die Pipeline auf einen Blick

flowchart TD
    fastq["Rohe FASTQ + Probenblatt"] --> qc["FastQC + MultiQC"]
    qc --> trim["Trimmung: fastp / Trim Galore"]
    trim --> align["Alignment + Quant: STAR und/oder Salmon"]
    align --> counts["Genlevel-Zählmatrix"]
    counts --> de["Differentielle Expression"]
    de --> enrich["Pathway / GSEA-Anreicherung"]
    de --> fig["Abbildungen"]
    enrich --> fig
    nfcore["nf-core/rnaseq via nextflow-Skill"] -.->|"Pfad A"| align
    manual["Eigenständige Rezepte (dieses Skill)"] -.->|"Pfad B"| align
    bridge["build_counts_matrix.py (dieses Skill)"] -.-> counts
    pydeseq2skill["pydeseq2-Skill"] -.-> de
    pwskill["pathway-enrichment-Skill"] -.-> enrich
    vizskill["scientific-visualization-Skill"] -.-> fig

Zwei Upstream-Pfade – Wählen Sie einen

Die Stufe „Reads → Zählwerte“ kann auf zwei Arten ausgeführt werden. Sie erzeugen äquivalente Genzählwerte; wählen Sie je nach Kontext und bleiben Sie dann bei diesem Pfad.

Verwenden Sie Pfad A – nf-core/rnaseq, wenn…Verwenden Sie Pfad B – eigenständige Tools, wenn…
Sie die feldstandardmäßige, geprüfte, zitierbare Pipeline mit einem Befehl wünschenSie wenige Proben haben und jeden Schritt lernen/prüfen möchten
Viele Proben oder Sie auf HPC/Cloud skalieren werdenKein Nextflow/Container verfügbar oder eine eingeschränkte Umgebung
Reproduzierbarkeit und ein vollständiger MultiQC-Bericht am wichtigsten sindSie einen nicht standardmäßigen Schritt benötigen, den die Pipeline nicht bereitstellt
→ Steuern Sie es über das nextflow-Skill→ Folgen Sie references/upstream-manual.md

Wenn unsicher, bevorzugen Sie Pfad A: nf-core/rnaseq verbindet bereits FastQC → Trimmung → STAR/Salmon → Quantifizierung → tximport → MultiQC mit sinnvollen, überprüften Standardeinstellungen, was die verteidigbarste Option ist. Pfad B existiert für Transparenz und eingeschränkte Setups.

Beide Pfade laufen auf einer Genlevel-Zählmatrix zusammen, wonach der Workflow identisch ist.

Einrichtung

# Die Kleberkomponenten dieses Skills (Brücke + Übergaben) – Python
uv pip install pytximport pandas

# Downstream-Fähigkeiten installieren ihre eigenen Abhängigkeiten:
#   pydeseq2-Skill           -> uv pip install pydeseq2
#   pathway-enrichment-Skill -> uv pip install gseapy gprofiler-official

# Pfad A (nf-core): nur Nextflow + eine Container-Engine erforderlich – siehe das `nextflow`-Skill.

# Pfad B (eigenständige Tools): Installation über bioconda. Versionen für Reproduzierbarkeit festlegen.
conda create -n rnaseq -c bioconda -c conda-forge \
  fastqc fastp trim-galore "star=2.7.11b" "salmon=1.10.3" subread multiqc

Notieren Sie die genauen Versionen, die Sie verwenden (Pipeline-Revision, Tool-Versionen, Referenzgenom + Annotationsrelease) – sie gehören in den Methodenteil und machen die Analyse reproduzierbar.

Schnellstart

Pfad A – nf-core/rnaseq (empfohlen)

# 0. Probenblatt zuerst validieren (erkennt die häufigsten Fehler frühzeitig)
python scripts/validate_samplesheet.py --samplesheet samplesheet.csv

# 1. Umgebung mit winzigen beigefügten Daten testen
nextflow run nf-core/rnaseq -r 3.26.0 -profile test,docker --outdir test_results

# 2. Echter Lauf: Revision festlegen, Aligner wählen, Probenblatt + Referenz übergeben
nextflow run nf-core/rnaseq -r 3.26.0 \
  -profile docker \
  --input samplesheet.csv \
  --genome GRCh38 \
  --aligner star_salmon \
  --outdir results \
  -resume

nf-core/rnaseq führt tximport intern aus, sodass Genzählwerte bereits zusammengeführt herauskommen – kein Brückenskript erforderlich. Verwenden Sie results/star_salmon/salmon.merged.gene_counts_length_scaled.tsv für DE. Probenblattformat, Alignerwahl und Ausgaben: references/upstream-nfcore.md. Für Engine-/HPC-/Cloud-/Container-Details verwenden Sie das nextflow-Skill.

Pfad B – eigenständig STAR/Salmon (abgekürzt)

fastqc -o qc/ reads/*.fastq.gz                      # 1. QC rohe Reads
fastp -i s1_R1.fq.gz -I s1_R2.fq.gz \
      -o s1_R1.trim.fq.gz -O s1_R2.trim.fq.gz \
      --thread 4 -j s1.fastp.json                   # 2. Adapter-/Qualitätstrimmung
salmon quant -i salmon_index -l A \
      -1 s1_R1.trim.fq.gz -2 s1_R2.trim.fq.gz \
      --gcBias --seqBias -p 8 -o quant/s1            # 3. Quantifizieren (pro Probe)

Vollständige Rezepte (FastQC, fastp/Trim Galore, STAR-Index+Alignment+--quantMode GeneCounts, Salmon-Decoy-Index, featureCounts, Strähnigkeit): references/upstream-manual.md.

Zählwerte → DE → Anreicherung (beide Pfade)

# Nur Pfad B: Gen × Probe Zählmatrix + Metadatenvorlage für PyDESeq2 erstellen
python scripts/build_counts_matrix.py --from salmon \
  --quant-dir quant/ --tx2gene tx2gene.tsv --output-dir counts/

# Dann übergeben (siehe die dedizierten Fähigkeiten):
#   pydeseq2:           counts.csv + metadata.csv -> DE-Tabelle (log2FC, padj, stat)
#   pathway-enrichment: Rangfolge nach `stat` (GSEA) oder padj+|LFC|-Trefferliste (ORA)
#   scientific-visualization / matplotlib: Vulkan, MA, Heatmap, PCA, Anreicherungs-Dotplot

Schritt-für-Schritt-Workflow

Arbeiten Sie von oben nach unten. Jede Stufe benennt das Skill oder die Datei, die das Detail besitzt. Überspringen Sie nicht die Design-/QC-Stufen – hier gehen Bulk-RNA-seq-Studien am häufigsten schief.

  1. Design & Probenblatt. Bestätigen Sie ≥3 biologische Replikate pro Gruppe, identifizieren Sie Batch-/Störvariablen und wählen Sie den/die Vergleich(e). Erstellen Sie das Probenblatt und validieren Sie es mit scripts/validate_samplesheet.py. Begründung und Regeln: references/design-and-qc.md.
  2. Raw-Read-QC. FastQC pro Datei; mit MultiQC zusammenfassen. Überprüfen Sie Basisqualität, Adaptergehalt, Duplikation und Überrepräsentation. Schwellenwerte: references/design-and-qc.md.
  3. Trimmung. Entfernen Sie Adapter und qualitätsschwache Enden (über fastp oder Trim Galore). Führen Sie FastQC erneut aus, um zu bestätigen. Rezepte: references/upstream-manual.md (Pfad A erledigt dies für Sie).
  4. Alignieren / Quantifizieren. STAR (Genomalignment + --quantMode GeneCounts) und/oder Salmon (Transkript-Quasi-Mapping, decoy-bewusst). Bestimmen Sie die Strähnigkeit – es ist leicht, dies falsch zu machen, und es halbiert lautlos Ihre Zählwerte. Details: references/upstream-manual.md; Pipeline-Parameter: references/upstream-nfcore.md.
  5. Zählmatrix erstellen. Wandeln Sie Quant-Output in eine Gen × Probe-Integer-Matrix und eine Metadatenvorlage um (scripts/build_counts_matrix.py). Die Nuancen von geschätzten Zählwerten und Gen-ID-Mapping leben in references/counts-and-handoff.md.
  6. Differentielle Expression → pydeseq2-Skill. Laden Sie counts.csv + metadata.csv, legen Sie das Design fest (z. B. ~batch + condition), fitten Sie und testen Sie mit FDR-Kontrolle. Inspizieren Sie PCA und p-Wert-Histogramm als QC.
  7. Anreicherung → pathway-enrichment-Skill. Für GSEA ordnen Sie die vollständige Genliste nach der DESeq2-stat; für ORA übergeben Sie die schwellenwertbasierte Trefferliste (padj < 0,05, optional |log2FC| > 1). Ordnen Sie Gen-IDs zuerst Symbolen zu.
  8. Abbildungen → scientific-visualization-Skill. Vulkan, MA, Proben-Distanz-Heatmap, PCA und Anreicherungs-Dotplots sowie der MultiQC-Bericht für die QC-Erzählung.

Die Zählwerte → DE-Brücke (der entscheidende Kleber)

Dies ist die eine Stufe ohne Upstream-/Downstream-Skill, daher besitzt dieses Skill sie. scripts/build_counts_matrix.py konvertiert Quant-Output in genau das, was pydeseq2 erwartet:

  • Salmon (--from salmon): aggregiert probenweise quant.sf auf Genebene mit pytximport unter Verwendung von counts_from_abundance="length_scaled_tpm" (die richtige Wahl für Genlevel-DE), benötigt eine tx2gene-Karte.
  • STAR (--from star): liest jedes ReadsPerGene.out.tab und wählt die Spalte für Ihre --strandedness (unstranded/forward/reverse).
  • featureCounts (--from featurecounts): parst die kombinierte featureCounts-Matrix.

Es schreibt counts.csv (Gene × Proben, Ganzzahlen) und metadata_template.csv (eine Zeile pro Probe) zum Ausfüllen. Salmon/RSEM-Zählwerte sind Schätzwerte (nicht ganzzahlig); sie werden auf Ganzzahlen gerundet, da PyDESeq2 ganzzahlige Zählwerte erfordert – siehe references/counts-and-handoff.md für die Begründung, warum dies mit length_scaled_tpm akzeptabel ist und wie es sich vom offset-basierten DESeq2+tximport-Weg unterscheidet. Diese Referenz behandelt auch das Ensembl→Symbol-Mapping (vor der Anreicherung erforderlich) und die genaue Ausrichtung, die PyDESeq2 erwartet.

Häufige Fallstricke

Diese verursachen die meisten falschen oder irreproduzierbaren Bulk-RNA-seq-Ergebnisse:

  1. Zu wenige Replikate. <3 biologische Replikate pro Gruppe geben fast keine statistische Power und instabile Dispersionsschätzungen. Mehr Replikate schlagen tiefere Sequenzierung.
  2. Konfundierter Batch und Bedingung. Wenn jede behandelte Probe an einem anderen Tag/auf einer anderen Spur verarbeitet wurde als die Kontrollen, ist der Effekt nicht mehr zu retten. Randomisieren Sie und modellieren Sie bekannte Batches (~batch + condition). Siehe references/design-and-qc.md.
  3. Falsche Strähnigkeit. Die Wahl der falschen STAR-Spalte oder featureCounts -s/Salmon-Bibliothekstyp verwirft lautlos ~die Hälfte der Reads. Verwenden Sie Salmon -l A oder leiten Sie die Strähnigkeit ab und überprüfen Sie den Anteil der zugewiesenen Reads.
  4. TPM/FPKM an DESeq2 füttern. DESeq2 benötigt rohe (oder längenkorrigierte) Zählwerte, niemals TPM/FPKM/normalisierte Werte. Die Brücke behandelt dies.
  5. Nicht-ganzzahlige Zählwerte. PyDESeq2 benötigt Ganzzahlen; runden Sie Salmon-Schätzwerte (die Brücke tut dies).
  6. Gen-ID-Konflikt bei der Anreicherung. DESeq2-Output besteht oft aus Ensembl-IDs; Enrichr/MSigDB wollen Symbole. Ordnen Sie IDs vor pathway-enrichment zu, sonst wird „nichts als signifikant gefunden".
  7. Post-Quant-QC überspringen. Schauen Sie sich immer die PCA und Proben-Distanz-Heatmap an, bevor Sie der DE vertrauen – sie decken vertauschte Labels, Ausreißer und versteckte Batches auf.
  8. Aligner über Proben hinweg mischen. Quantifizieren Sie jede Probe mit demselben Tool, derselben Version, derselben Referenz und denselben Parametern.
  9. Nicht festgelegte Versionen. „Aktuellste" Pipelines/Genome machen Ergebnisse irreproduzierbar; legen Sie -r, Tool-Versionen und das Genom/Annotationsrelease fest.

Integration mit anderen Fähigkeiten

  • Upstream-Ausführung: nextflow (führt nf-core/rnaseq aus, Pfad A; HPC/Cloud/Container).
  • Referenzdaten / Gen-IDs: gget (gget ref für Genom+GTF, gget info/gget search für ID-Mapping), database-lookup (Ensembl/NCBI), biopython/pysam (FASTA/BAM-Verarbeitung).
  • Differentielle Expression: pydeseq2 (die DE-Engine, an die dieses Skill Zählwerte übergibt).
  • Anreicherung: pathway-enrichment (ORA + GSEA; sein scripts/run_enrichment.py liest direkt eine DESeq2-Ergebnis-CSV).
  • Abbildungen & Berichte: scientific-visualization, matplotlib, seaborn; scientific-writing für die Methoden-/Ergebnisbeschreibung.
  • Verwandt, aber unterschiedlich: scanpy (Einzelzell), statistical-analysis (Multiples-Testen-Vertiefung).

Referenzdateien

Lesen Sie die relevante Datei, wenn Sie Tiefe benötigen – jede ist in sich geschlossen:

  • references/upstream-nfcore.md – Pfad A: Probenblattformat, --aligner/--pseudo_aligner-Auswahl, Schlüsselparameter, die salmon.merged.gene_counts*.tsv-Ausgaben, MultiQC und was an pydeseq2 übergeben werden soll.
  • references/upstream-manual.md – Pfad B: FastQC, fastp/Trim Galore, STAR-Genom-Index + Alignment + --quantMode GeneCounts, Salmon-Decoy-Index + quant, featureCounts und wie die Strähnigkeit bestimmt wird.
  • references/counts-and-handoff.md – Umwandlung von Quant-Output in PyDESeq2-bereites counts.csv/metadata.csv (pytximport, STAR-Spaltenauswahl, featureCounts), die Nuance von Ganzzahl/geschätzten Zählwerten, Ensembl→Symbol-Mapping und das DE→Anreicherungs-Rangfolgen-/Trefferlisten-Rezept.
  • references/design-and-qc.md – experimentelles Design (Replikation, Batch, Konfundierung, Designformeln) und Interpretation von QC-Metriken (Mapping-Rate, Duplikation, rRNA, Komplexität, PCA/Ausreißer) – das Rückgrat der verteidigbaren Pipeline.

Ressourcen

Zitieren von Scientific Agent Skills

Dieses Skill ist Teil von Scientific Agent Skills von K-Dense. Falls es wesentlich zu einem Manuskript, Bericht, Vortrag oder Code-Release beigetragen hat, fügen Sie die Arbeit zu den Referenzen hinzu oder weisen Sie im Software-Abschnitt darauf hin und teilen Sie dem Benutzer mit, dass Sie dies getan haben:

Kassis, T., Agarwal, V., He, Y., Patel, D., & Brueckner, A. M. (2026). Scientific Agent Skills: A Library of Procedural Knowledge for Research Agents. arXiv:26

…

[gekürzt für die Übersetzung]

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

adaptyv

How to use the Adaptyv Bio Foundry API and Python SDK for protein experiment design, submission, and results retrieval. Use this skill whenever the user mentions Adaptyv, Foundry API, protein binding assays, protein screening experiments, BLI/SPR assays, thermostability assays, or wants to submit protein sequences for experimental characterization. Also trigger when code imports `adaptyv`, `adaptyv_sdk`, or `FoundryClient`, or references `foundry-api-public.adaptyvbio.com`.

aeon

This skill should be used for time series machine learning tasks including classification, regression, clustering, forecasting, anomaly detection, segmentation, and similarity search. Use when working with temporal data, sequential patterns, or time-indexed observations requiring specialized algorithms beyond standard ML approaches. Particularly suited for univariate and multivariate time series analysis with scikit-learn compatible APIs.

alphagenome

Look up precomputed AlphaGenome Atlas effects for any GRCh38 single-nucleotide variant (AVI score with Phred and 18 SHAP feature attributions, plus raw and quantile scores for RNA-seq, DNase, ATAC, ChIP-TF, ChIP-histone, CAGE, PRO-cap, splicing, polyadenylation and contact-map tracks), score variants or scan windows on demand with the AlphaGenome model for human and mouse (variant scoring, in silico mutagenesis, REF-versus-ALT track prediction), and build Atlas website deep links. Use when the user mentions AlphaGenome, AlphaGenome Atlas, AVI or AlphaGenome Variant Impact, DeepMind variant effect prediction, or wants to prioritise or mechanistically interpret non-coding, regulatory, splicing, enhancer, promoter, or chromatin-accessibility effects of SNVs from a VCF, credible set, or region. Research use only; not a clinical tool.

analytical-method-validation

Plan, execute, and document validation, verification, and transfer of analytical procedures under the governing framework - ICH Q2(R2) and Q14, USP <1220>/<1225>/<1226>, ICH M10 bioanalytical, CLSI EP, or ISO/IEC 17025. Use for HPLC, LC-MS/MS, GC, CE, ICP-MS, dissolution, qNMR, qPCR, NIR, and ligand binding or cell-based assays whenever the question is whether a procedure is fit for its intended purpose. Triggers include

anndata

Data structure for annotated matrices in single-cell analysis. Use when working with .h5ad files or integrating with the scverse ecosystem. This is the data format skill—for analysis workflows use scanpy; for probabilistic models use scvi-tools; for population-scale queries use cellxgene-census.

arbor

Autonomously improve a real artifact (code, training recipe, agent harness, data pipeline, prompt) against an objective and an evaluator, using Hypothesis Tree Refinement (HTR) from the Arbor paper. Use this whenever someone wants to iteratively optimize something over many experiments without overfitting — e.g.

arboreto

Infer gene regulatory networks (GRNs) from gene expression data using scalable algorithms (GRNBoost2, GENIE3). Use when analyzing transcriptomics data (bulk RNA-seq, single-cell RNA-seq) to identify transcription factor-target gene relationships and regulatory interactions. Supports distributed computation for large-scale datasets.

astropy

Core Python library for astronomy and astrophysics workflows that need Astropy APIs, including units/quantities, coordinates, FITS I/O, tables, time systems, WCS, and cosmology. Use when implementing or debugging astronomical data analysis code with Astropy.

autoskill

Observe the user

benchling-integration

Benchling Python SDK and REST API integration for registry entities, inventory, ELN entries, workflows, Benchling Apps, and Data Warehouse queries. Use when automating lab data with benchling-sdk or the v2 API.

bgpt-paper-search

Search scientific papers and retrieve structured experimental data extracted from full-text studies via the BGPT MCP server. Returns 25+ fields per paper including methods, results, sample sizes, quality scores, and conclusions. Use for literature reviews, evidence synthesis, and finding experimental details not available in abstracts alone.

bids

>

biopython

Comprehensive molecular biology toolkit. Use for sequence manipulation, file parsing (FASTA/GenBank/PDB), phylogenetics, and programmatic NCBI/PubMed access (Bio.Entrez). Best for batch processing, custom bioinformatics pipelines, BLAST automation. For quick lookups use gget; for multi-service integration use bioservices.

bioservices

Unified Python interface to 40+ bioinformatics services. Use when querying multiple databases (UniProt, KEGG, ChEMBL, Reactome) in a single workflow with consistent API. Best for cross-database analysis, ID mapping across services. For quick single-database lookups use gget; for sequence/file manipulation use biopython.

cellxgene-census

Query the CZ CELLxGENE Census programmatically for versioned public single-cell and spatial transcriptomics data. Use when you need population-scale cell metadata, gene expression slices, Census summary counts, source H5AD URIs/downloads, embeddings, spatial Census data, or reference atlas comparisons across organisms, tissues, diseases, assays, and cell types. For analyzing your own local single-cell data use scanpy, anndata, or scvi-tools.

cirq

Google quantum computing framework. Use when targeting Google Quantum AI hardware, designing noise-aware circuits, or running quantum characterization experiments. Best for Google hardware, noise modeling, and low-level circuit design. For IBM hardware use qiskit; for quantum ML with autodiff use pennylane; for physics simulations use qutip.

citation-management

Comprehensive citation management for academic research. Search OpenAlex, PubMed, and Google Scholar for papers, extract accurate metadata, validate citations, and generate properly formatted BibTeX entries. This skill should be used when you need to find papers, verify citation information, convert DOIs to BibTeX, or ensure reference accuracy in scientific writing.

clinical-decision-support

Prepare and validate research-only clinical decision-support evaluation, evidence-profile, cohort, survival, biomarker/model, privacy, and governance artifacts. Use for aggregate or synthetic research documentation and traceability—not patient care or live clinical operation.

clinical-reports

Create safety-bounded draft structures and run local deterministic checks for clinical case, diagnostic, trial, safety, and aggregate research reports. Use only with synthetic, de-identified, or aggregate inputs and verified source-fact manifests; every output requires qualified review.

cobrapy

Constraint-based metabolic modeling (COBRA). FBA, FVA, gene knockouts, flux sampling, SBML models, for systems biology and metabolic engineering analysis.

Verwandte Skills

steipete/video-frames

Extract frames or short clips from videos using ffmpeg.

community

steipete/summarize

Summarize or transcribe URLs, YouTube/videos, podcasts, articles, transcripts, PDFs, and local files.

community

openclaw/openclaw

Use when testing, fixing, or extending the OpenClaw Control UI GUI with Vitest + Playwright end-to-end checks, mocked Gateway WebSocket flows, mocked dashboard runs, screenshots/videos, or agent-verifiable browser proof.

community

obra/superpowers

Obra superpowers agent skills.

community

affaan-m/ECC

See, Understand, Act on video and audio. See- ingest from local files, URLs, RTSP/live feeds, or live record desktop; return realtime context and playable stream links. Understand- extract frames, build visual/semantic/temporal indexes, and search moments with timestamps and auto-clips. Act- transcode and normalize (codec, fps, resolution, aspect ratio), perform timeline edits (subtitles, text/image overlays, branding, audio overlays, dubbing, translation), generate media assets (image, audio...

community

affaan-m/everything-claude-code

End-to-end marketing campaign planning and execution. Covers audience research, positioning, campaign angle definition, landing page copy, email sequences, social posts, ad copy, short-form video scripts, and content calendars. Use as the orchestration layer for multi-channel product launches. Use when planning or executing a multi-channel product launch, or producing landing page, email, social, or ad copy.

community