Arboreto

Genregulatorische Netzwerke aus Expressionsdaten mit GRNBoost2/GENIE3 inferieren, skaliert über Dask.

von K-Dense-AI · K-Dense-AI/scientific-agent-skills

Getestet · Funktioniert ★ 8.8/10

Arboreto — Genregulatorische Netzwerke aus Expressionsdaten mit GRNBoost2/GENIE3 inferieren, skaliert über Dask.

Was es kann

Leitet die GRN-Inferenz aus Bulk- oder Einzelzell-RNA-seq-Expressionsdaten unter Verwendung von arboretos GRNBoost2- und GENIE3-Algorithmen, einschließlich TF-Filterung, lokaler/Cluster-Dask-Skalierung und pySCENIC-Integration. Löst aus, wenn Transkriptomikdaten analysiert werden, um Transkriptionsfaktor-zu-Zielgen-regulatorische Beziehungen zu finden.

Testbericht

Der Quick Start kennzeichnet den `if __name__ == '__main__':` Dask-Guard als 'Critical' und wiederholt ihn in der Fehlerbehebung; ein Basis-Skript, das aus allgemeinem arboreto-Wissen zusammengestellt wurde, ließ diesen Guard weg, was ein echter Hang/Crash-Bug bei macOS und Windows Spawn-basiertem Multiprocessing ist.

Getestet am: 2026-07-14 · Claude Code 2.x (agent harness)

Installation

git clone https://github.com/K-Dense-AI/scientific-agent-skills
cd scientific-agent-skills
mkdir -p ~/.claude/skills
cp -r skills/arboreto ~/.claude/skills/arboreto

Befehle & Beispiel-Prompts

/arboretoGenregulatorische Netzwerke aus Expressionsdaten mit GRNBoost2/GENIE3 inferieren, skaliert über Dask.

Skills reagieren auf normale Anfragen — keine Slash-Befehle nötig. Nach der Installation aktivieren Prompts wie diese den Skill (auf Englisch):

Infer a gene regulatory network with GRNBoost2
Run GENIE3 GRN inference on my expression matrix
Build a GRN from single-cell data using arboreto

Vollständiger Testbericht (Englisch) →