AIKraft/Skills/pathway-enrichment

pathway-enrichment

Анализирует обогащение путей и наборов генов (ORA, GSEA, ssGSEA/GSVA) через gseapy, g:Profiler, Enrichr, MSigDB, GO, KEGG, Reactome. Применяется для дифференциальной экспрессии, CRISPR-скрининга, маркеров кластеров и протеомики.

KDK-Dense official Данные ★ 47.7k

Что делает навык

Skill выполняет анализ обогащения путей (Pathway Enrichment) для определения биологических процессов, представленных в списке генов. Он оркестрирует методы ORA (анализ избыточного представительства) и GSEA (анализ обогащения геномноых наборов), а также интерпретацию и визуализацию результатов. Выбор между ORA и GSEA является ключевым решением, зависящим от наличия пороговых значений или ранжированного списка генов.

Когда применять

  • Поиск обогащенных терминов GO, KEGG, Reactome, WikiPathways и наборов MSigDB Hallmark в списке генов.
  • Запуск GSEA или preranked GSEA на основе результатов DESeq2, edgeR, limma или Scanpy rank_genes_groups.
  • Оценка экспрессии наборов генов для каждого образца/клетки с помощью ssGSEA или GSVA.
  • Интерпретация, дедупликация и визуализация результатов обогащения, а также создание таблиц и рисунков для публикации.
  • Решение о выборе между ORA и GSEA, подбор библиотек наборов генов, выбор фона и исправление проблем с идентификаторами генов.

Как работает

  1. Определить тип данных: если есть пороговый список генов (например, padj < 0.05), использовать ORA; если есть весь ранжированный список генов без порога, использовать GSEA.
  2. Выбрать соответствующий инструмент: для ORA использовать Enrichr или g:Profiler; для GSEA применять gseapy или аналогичные инструменты с учетом статистики (например, DESeq2 stat).
  3. Загрузить данные и настроить параметры, включая выбор базы данных наборов генов (MSigDB, GO, KEGG, Reactome) и фона анализа.
  4. Выполнить статистический тест: для ORA — тест Фишера или гипергеометрический тест; для GSEA — проверку концентрации набора генов в верхней или нижней части ранжированного списка.
  5. Интерпретировать результаты, устраняя дубликаты и выявляя ловушки интерпретации, чтобы избежать ошибочных или неподходящих для публикации выводов.
  6. Визуализировать результаты или сформировать итоговую таблицу/фигуру для представления данных.

Примеры запросов агенту

Найди обогащенные пути GO и KEGG в списке генов с padj < 0.05 после дифференциальной экспрессии.
Запусти preranked GSEA на основе результатов DESeq2 и оцени значимость наборов MSigDB Hallmark.
Посчитай оценку экспрессии наборов генов для каждой клетки (ssGSEA) по данным Scanpy rank_genes_groups.

Что понадобится

  • Инструменты: gseapy, g:Profiler, Enrichr.
  • Базы данных: MSigDB, GO, KEGG, Reactome, WikiPathways.

Описание составлено по SKILL.md навыка, сверено 08.10.2026.

Как подключить

1Скачать навык
# возьмите папку навыка «pathway-enrichment» из репозитория: # https://github.com/k-dense-ai/scientific-agent-skills
2Положить папку с SKILL.md к навыкам ассистента
# положите папку навыка туда, где ассистент ищет skills: cp -r pathway-enrichment/ ~/.claude/skills/pathway-enrichment/

Навык — папка с файлом SKILL.md (описание + инструкции) и опциональными скриптами. Ассистент (Claude, Claude Code и совместимые) подхватывает его по описанию и следует шагам.