seurat-skill은(는) 무엇을 하나요?
Claude Code, OpenClaw, Codex용 Seurat v5 단일 세포 분석 스킬
개요
이 스킬은 AI 에이전트가 Seurat v5를 사용하여 단일 세포 RNA-seq 데이터를 분석할 수 있도록 지원합니다. 주요 기능은 다음과 같습니다:
- 데이터 로드 및 전처리
- 정규화 및 스케일링
- 차원 축소(PCA, UMAP, t-SNE)
- 클러스터링
- 차별 발현 유전자(DEG) 분석
- 시각화
지원 플랫폼
사용 방법
이 스킬을 사용하려면 단일 세포 RNA-seq 데이터와 함께 AI 에이전트에게 자연어 명령을 제공하기만 하면 됩니다. 예:
"Seurat를 사용하여 이 단일 세포 데이터를 정규화하고 UMAP으로 시각화해줘."
에이전트가 자동으로 적절한 R 코드를 생성하고 실행하여 분석을 수행합니다.
설정
R 환경에 Seurat v5가 설치되어 있는지 확인하세요:
install.packages("Seurat")
또한 추가 분석을 위해 다음 패키지가 필요할 수 있습니다:
install.packages(c("dplyr", "ggplot2", "patchwork"))
기본 워크플로우
- 데이터 로드:
Read10X()또는CreateSeuratObject()사용 - 전처리:
NormalizeData(),FindVariableFeatures(),ScaleData() - 차원 축소:
RunPCA(),RunUMAP(),RunTSNE() - 클러스터링:
FindNeighbors(),FindClusters() - 마커 식별:
FindAllMarkers() - 시각화:
DimPlot(),FeaturePlot(),VlnPlot()
예시
library(Seurat)
# 데이터 로드
pbmc.data <- Read10X(data.dir = "./filtered_gene_bc_matrices/hg19/")
pbmc <- CreateSeuratObject(counts = pbmc.data, project = "pbmc3k", min.cells = 3, min.features = 200)
# 전처리
pbmc <- NormalizeData(pbmc)
pbmc <- FindVariableFeatures(pbmc, selection.method = "vst", nfeatures = 2000)
# 스케일링 및 차원 축소
all.genes <- rownames(pbmc)
pbmc <- ScaleData(pbmc, features = all.genes)
pbmc <- RunPCA(pbmc, features = VariableFeatures(object = pbmc))
# 클러스터링
pbmc <- FindNeighbors(pbmc, dims = 1:10)
pbmc <- FindClusters(pbmc, resolution = 0.5)
# UMAP 시각화
pbmc <- RunUMAP(pbmc, dims = 1:10)
DimPlot(pbmc, reduction = "umap")
라이선스
이 스킬은 MIT 라이선스 하에 배포됩니다.