SuperAPI AI 工具集找到适合任务的 Agent Skill，阅读介绍并复制安装命令。
更新于 11-05 00:16
17,418 个结果
该技能用于在 R 中构建森林图（forest plot）与漏斗图（funnel plot）。森林图可将各研究的效应量（HR、OR、RR、β 系数）以方块（大小对应权重/方差的倒数）、水平误差线（95% 置信区间）与标签呈现，并可选在底部叠加荟萃分析合并的菱形汇总（固定效应或随机效应）。漏斗图通过绘制效应量与精确度的关系诊断发表偏倚，不对称提示可能缺失小样本阴性结果研究。技能覆盖 metafor、forestplot、survminer::ggforest、MendelianRandomization::mr_forest 等工具，并强调异质性（I²、τ²、Q 检验）是首要问题，随机效应默认优于固定效应，小研究数（k<5）应使用 HKSJ 校正，Egger 检验需 k≥10 等关键阈值与常见错误。
用于生成基因组浏览器轨道可视化的技能，支持 pyGenomeTracks、IGV 批处理和 Gviz，适合制作论文级基因组视图。可用 INI 配置绘制 bigWig 覆盖度、BED 峰、基因注释、Hi-C 矩阵等轨道。
在蛋白质结构域图上绘制基因突变分布的棒棒糖/针状图技能，展示突变位置、复发次数与变异分类，用于识别热点残基。涵盖 maftools、trackViewer、g3viz 等 R 工具及域注释来源与常见错误。
用于从GWAS、TWAS、PWAS和QTL汇总统计生成Manhattan、Miami、QQ及locuszoom风格区域图的技能，涵盖基因组膨胀诊断、显著性阈值选择、极端峰处理和LD参考匹配等要点。
生物网络可视化技能，覆盖 PPI、基因调控、共表达与通路网络。提供布局算法选择（ForceAtlas2、Fruchterman-Reingold、Kamada-Kawai 等）、节点属性编码与渲染层级建议，并强调布局是算法产物而非生物学含义。
基于 ComplexHeatmap、maftools 与 comut.py 构建体细胞变异队列的 OncoPrint 与共突变矩阵图，支持变异类型堆叠、样本排序、临床注释及互斥/共现分析。
使用 ggseqlogo（R）、Logomaker（Python）或 WebLogo 生成 DNA、RNA 或蛋白质基序的序列标识（sequence logo），核心是把比对后的序列或 PWM 矩阵绘制为逐位置字母堆叠图，用 bits（信息量）或概率编码呈现保守性，并支持背景频率校正。
用于从差异表达或关联分析结果绘制火山图与MA图的生物信息学技能，强调使用收缩后的log2倍数变化、FDR校正阈值、合理的标签放置，并覆盖DESeq2、EnhancedVolcano、ggplot2、matplotlib等R与Python实现。
面向生物信息学的火山图定制技能，用 ggplot2、EnhancedVolcano 或 matplotlib 制作可发表的火山图，支持自定义阈值、基因标注与高亮。资料含 R 与 Python 代码示例。
面向 DESeq2/edgeR 差异表达分析的诊断与结果可视化技能，覆盖离散度图、p 值直方图、PCA、样本距离热图、MA 图、火山图、Top 差异基因热图与单基因计数图，强调用收缩后 LFC 与未收缩 p 值绘制火山图，并按样本量选择 vst/rlog。
这是一个基于 DESeq2 的批量 RNA-seq 差异表达分析技能指南，覆盖负二项 GLM、Wald 与 LRT 检验、apeglm/ashr/normal 的 LFC 收缩、设计公式与对比提取、大小因子与可视化转换等基础流程，并说明常见陷阱与限制。
基于 edgeR 的负二项 GLM 与拟似然 F 检验，对 bulk RNA-seq 计数数据做差异表达分析，涵盖 DGEList、过滤、归一化、离散度估计与结果排序。
用于 RNA-seq 计数矩阵的标准化与变换，服务差异表达、可视化、聚类和机器学习等下游任务。涵盖 TMM、TMMwsp、RLE/中位数比值、上四分位数、ERCC spike-in、TPM/FPKM、VST/rlog、log-CPM、cqn/EDASeq 及单细胞 scran 反卷积等方法，并说明各自适用场景与假设失效风险。
将查询单细胞数据映射到参考图谱并转移细胞类型标签的技能，涵盖 scArches（scVI/scANVI）、Symphony、Azimuth、CellTypist、scPoli、popV、treeArches 等方法，并强调用分布外信号为标签把关。
用于高维组学数据的生物标志物特征选择技能，涵盖Boruta全相关选择、mRMR、LASSO/弹性网络与稳定性选择，并强调选择必须置于重采样循环内、报告稳定性指数并避免信息泄漏。
面向组学与生物医学数据的预测模型验证技能：通过嵌套交叉验证、按分组/批次/时间的切分方案和完整数据泄漏分类，帮助避免乐观偏差，并强调校准与决策曲线而不只看 AUC。
在组学特征矩阵上构建诊断与预后分类器的技能，涵盖正则化逻辑回归、随机森林与梯度提升树。强调 p>>n 场景下简单模型常占优，概率而非标签才是产品，并提醒批次捷径、校准与不平衡处理。
解释组学数据机器学习预测结果的技能，涵盖 SHAP、LIME 与置换重要性，并重点说明相关特征陷阱、条件与干预式归因的区别，以及归因不等同因果或生物标志物。
该技能用于将原始分子结构标准化为一致形式，基于 ChEMBL 结构管线与 RDKit rdMolStandardize，涵盖去盐、电荷中和、互变异构规范化、立体化学与同位素处理，适用于机器学习训练、去重、数据库注册与跨库连接。
在比特/计数分子指纹上执行Tanimoto、Tversky、Dice、余弦等系数的分子相似性搜索，用于先导优化、骨架跃迁、化合物库聚类、多样性挑选与活性悬崖诊断，并给出系数选择规则与工具用法。
面向 RNA-seq 可变剪接分析的质控技能，覆盖实验设计审查、STAR 两遍比对、连接饱和度、新连接比例、链特异性、剪接位点强度与 rRNA 污染等检查层，帮助识别 PSI 偏差与假阳性新连接。
面向组学数据的端到端生物标志物发现工作流，涵盖 Boruta/LASSO 特征选择、嵌套交叉验证分类器训练、SHAP 解释与留出集验证，最终产出经验证的标志物组合与分类器。
面向 GWAS 后因果推断的端到端流程技能，串联遗传力分区、遗传相关诊断、工具变量筛选、孟德尔随机化及 CHP 敏感分析、共定位、精细定位、中介分析、TWAS、cis-pQTL 药物靶点 MR、效应基因优先级与可选 GenomicSEM 因子 GWAS，用于三角验证因果暴露、基因与机制。
Dask 是一个用于并行与分布式计算的 Python 库，主要面向超出内存容量的 pandas/NumPy 工作流。它支持单机上的超内存执行、多核并行处理，以及跨多机的分布式计算，可从笔记本（约 100 GiB）扩展到集群（约 100 TiB），同时保持熟悉的 Python API。Dask 提供五个主要组件：DataFrames（并行 pandas 操作）、Arrays（并行 NumPy 操作）、Bags（非结构化数据的并行处理）、Futures（基于任务的并行化）和 Schedulers（执行后端）。适用于处理超出 RAM 的数据集、将 pandas/NumPy 操作扩展到更大数据、并行化计算、高效处理多个文件、构建自定义并行工作流以及跨多核或多机分发工作负载。