Communitygithub.com

Curtisflo/karyon

Calificación legible y determinista para resultados de herramientas bio-AI: contratos con razones nombradas y habilidades de agente que se componen con NVIDIA BioNeMo.

¿Qué es karyon?

Esta habilidad, Curtisflo/karyon, está diseñada para la calificación de calidad (QC) de resultados de pantallas CRISPR (pooled screens). Cuando un pipeline emite un q-value por gen (hit/no-hit), se pierde información crucial sobre la estructura de los ARNs guía dentro del gen, lo que puede llevar a que genes sin poder estadístico para ser detectados parezcan equivalentes a genes sin efecto real. Karyon recupera esta estructura únicamente a partir de los conteos, calibrados con controles no dirigidos (non-targeting) y negativos, sin depender de un estándar de oro. Para cada gen no significativo (non-hit), la herramienta asigna una razón nombrada (como 'pocos guías utilizables', 'dispersión demasiado alta' o 'efecto por debajo de la banda nula'), ofreciendo una calificación determinista y legible. Es compatible con plataformas como Claude Code, Cursor y Codex, y se compone de forma natural con pipelines acelerados de genómica como NVIDIA BioNeMo y Parabricks. En la pantalla de leucemia Wang-2014, detecta aproximadamente el 53% de los fallos silenciosos de referencia con una tasa de falsos positivos del 3%, y su información no es redundante con el FDR. Su valor principal radica en la legibilidad y la calificación, no en mejorar la precisión de recuperación de hits.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add Curtisflo/karyon

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

Calificación de Pantallas CRISPR (QC)

Un pipeline de pantallas pooled emite un q-value por gen: hit / no-hit. Ese escalar descarta la estructura de guías dentro del gen, por lo que un gen para el cual la pantalla no tenía poder para detectar efecto se ve idéntico a un gen que genuinamente no tiene efecto. Esta habilidad recupera la estructura — exclusivamente a partir de los conteos, calibrada en los controles no dirigidos / negativos, nunca a partir de un estándar de oro — y califica cada no-hit con una razón nombrada (demasiadas guías no utilizables, dispersión demasiado alta, efecto por debajo de la banda nula).

En la pantalla de pérdida de función (dropout) de leucemia Wang-2014, señala ~53% de los fallos silenciosos de referencia con una tasa de falsos positivos del 3%, y la señal es no redundante con el FDR (|ρ|≈0.29) — detecta lo que el q-value pasa por alto. (Honestamente: el valor aquí es legibilidad / calificación, no una mejora en la precisión de recuperación). Método completo, evaluación de trimestres Q1–Q4 preregistrada y limitaciones: docs/screen-power.md

Instalación

pip install karyon

Uso

Ejecute el análisis de referencia (la pantalla de demostración):

from karyon import screen_qc
screen_qc.run()                 # seeds=50 por defecto; imprime la calificación + la verificación de no redundancia

Califique sus propios no-hits (conteos → razones):

from karyon import screen_qc as sq
null    = sq.null_band(calib_lfcs, direction="deplete")   # banda nula a partir de controles NT/NEG
verdicts = sq.qualify(non_hit_genes, gene_guides, null=null)   # GeneReliability por gen, con razones

reliability_contracts(...) es el contracts.ContractSet subyacente; cada GeneReliability nombra por qué un no-hit es (no) fiable.

Composición con NVIDIA BioNeMo

Se ejecuta aguas abajo de un pipeline genómico acelerado (p. ej., Parabricks → conteos de guías → un resumen de genes al estilo MAGeCK): el modelo/pipeline llama a los hits, esta habilidad califica los no-hits para que el agente informe "gen X: no-hit, pero con bajo poder (4 guías utilizables, dispersión por encima del umbral)" en lugar de un simple "sin efecto".

Alcance (honesto)

Calificación, no precisión: le dice a qué no-hits desconfiar, no reordena los hits. Calibrado en controles, por lo que necesita una pantalla con guías no dirigidas o de control negativo.

Skills relacionados