通用单细胞注释器

人工智能 社区

技能解读

当前原文的自动摘译,尚未人工审校。

何时使用此技能

初始分析:处理原始 AnnData 对象时。验证:当交叉引用自动标签与已知标记时。发现:在标记列表上使用 LLM 推理来识别稀有细胞类型时。

核心能力

基于标记的评分:根据提供的基因列表对细胞进行评分(例如,“T 细胞”:[“CD3D”、“CD3E”])。深度学习参考:包裹celltypist以从海量地图集中传输标签。 LLM 推理:提取每个簇的顶级标记并构建 LLM 解释的提示。

工作流程

加载数据:确保数据采用 AnnData 格式(Scanpy 标准)。选择策略:如果您有已知的基因组,请使用标记。使用 CellTypist 进行广泛的免疫/组织分析。将 LLM 用于新颖的集群。

用法示例

用户:“注释此数据集以查找 T 细胞和 B 细胞。”代理行动:

流狐档案 运行与权限由流狐静态检查推断,不代表作者声明或实际测试结果。
领域
人工智能
作者声明的智能体
未找到明确声明;不据此推断已兼容或已测试
静态检查
94 / 100 · 启发式扫描,不代表运行安全
运行环境证据
未执行;当前没有隔离运行测试证据
作者 / 版本 / 许可证
@majiayu000 · MIT
上下文用量评级
低消耗
接入复杂程度
即装即用
是否需要外部接口密钥
不需要
兼容的系统
未声明(默认跨平台)
运行环境要求
Python
检测到的文件与系统行为
  • 只读
网络行为
仅限本地
安装命令数
无(仅作为资料)

需要注意: 未声明工具权限范围;实际权限由运行环境决定。

输出预览 universal-single-cell-annotator.preview
from universal_annotator import UniversalAnnotator
import scanpy as sc

adata = sc.read_h5ad('data.h5ad')
annotator = UniversalAnnotator(adata)

markers = {
    'T-cell': ['CD3D', 'CD3E', 'CD8A'],
    'B-cell': ['CD79A', 'MS4A1']
}

annotator.annotate_marker_based(markers)
# Results in adata.obs['predicted_cell_type']

讨论

基于 GitHub Discussions。登录 GitHub 即可参与讨论、点赞、订阅更新。