科研插件
网络与系统生物学
分子网络、调控网络与系统生物学分析。
README
网络与系统生物学:Skill 导航与方法比较
本 README 按任务而不是按来源组织 Skill。表中的入口完成相同或相近任务, 但算法假设、输入格式、计算资源和输出不同;它们是选择关系,不是待删除副本。 除非表格明确说明,描述不构成跨数据集 benchmark,实际选择仍应结合数据与版本验证。
使用方法
- 先定位任务族,再按“重点比较”判断数据、目标和资源约束。
- 打开候选
SKILL.md核对命令、输入输出和陷阱;不要只凭工具名选择。 - 对模型类方法优先保留独立验证集或第二模型共识;对统计方法先核对假设。
细胞通信
共同目标:围绕“细胞通信”完成同一分析环节;以下入口保留不同算法、工具或工作流。
重点比较:比较配体-受体打分、下游靶基因和空间约束方法;表达共现不等同于因果通信。
本任务族共有 4 个独立入口、4 个名称。
| Skill | 技术路线/资源标签 | 适用范围与主要差异 |
|---|---|---|
CellChat-从单细胞表达和细胞类型标签推断配体 | R/Bioconductor | 使用 CellChat 从单细胞表达和细胞类型标签推断配体–受体通讯网络及通路层聚合。适用于单数据集探索或有生物重复的条件比较;概率是模型分数,不是结合亲和力。 |
CellChat-细胞通讯 | R/Bioconductor | 使用 CellChat 细胞通讯 从配体–受体表达推断候选细胞间信号。适用于运行 CellChat、CellPhoneDB、LIANA、NicheNet 或共识型配体–受体分析;表达共现不是物理接触、蛋白活性或因果信号;跨条件比较必须控制细胞数和组成。 |
CellPhoneDB-单细胞 | CLI、单细胞 | 使用 CellPhoneDB 的 curated 配体–受体数据库和置换检验评估细胞类型间候选通讯。适用于人类基因符号/Ensembl 空间明确的数据;非人类数据必须先做可审计的同源映射。 |
NicheNet-配体-靶基因分析 | R/Bioconductor、单细胞 | 使用 NicheNet 将发送细胞的候选配体与接收细胞的差异基因/靶基因联系起来。适用于提出上游调控配体;prior 网络偏倚和差异基因定义会显著影响排名。 |
基因调控网络
共同目标:围绕“基因调控网络”完成同一分析环节;以下入口保留不同算法、工具或工作流。
重点比较:比较相关/树模型、SCENIC regulon、动力学和扰动因果方法,关注方向性与验证证据。
本任务族共有 15 个独立入口、15 个名称。
| Skill | 技术路线/资源标签 | 适用范围与主要差异 |
|---|---|---|
Arboreto-可扩展算法 | Python、CLI、单细胞 | Infer gene regulatory networks (GRNs) from gene expression data using scalable algorithms (GRNBoost2, GENIE3). Use when analyzing transcriptomics data (bulk RNA-seq, single-cell RNA-seq) to identify transcription factor… |
从表达或多组学数据推断转录因子 | Python | 使用 Arboreto grn inference 从表达或多组学数据推断转录因子—靶基因关系和调控模块。适用于运行 Arboreto/GRNBoost2、SCENIC、CellOracle、hdWGCNA 或多组学 GRN;相关网络不是直接结合或因果网络;必须区分 motif/ATAC 支持与纯表达关联。 |
从表达或多组学数据推断转录因子 | Python | 使用 Gene regulatory networks multiomics grn 从表达或多组学数据推断转录因子—靶基因关系和调控模块。适用于运行 Arboreto/GRNBoost2、SCENIC、CellOracle、hdWGCNA 或多组学 GRN;相关网络不是直接结合或因果网络;必须区分 motif/ATAC 支持与纯表达关联。 |
SCENIC-pySCENIC通过结合GRNBoost2共表 | Python、CLI、单细胞 | Infer transcription factor regulons from single-cell RNA-seq with pySCENIC by combining GRNBoost2 co-expression, cisTarget motif-enrichment pruning, and AUCell per-cell activity scoring. Covers the motif-pruning-as-dire… |
Temporal-基因-调控-网络-推断 | R/Bioconductor、Python、单细胞、长读长 | Infers directed, time-delayed gene regulatory edges from BULK time-series expression using Granger causality (statsmodels VAR F-test), dynGENIE3 (tree ensembles regressing ODE-derived derivatives; Random Forests by defa… |
从表达或多组学数据推断转录因子 | Python | 使用 Workflows grn pipeline 从表达或多组学数据推断转录因子—靶基因关系和调控模块。适用于运行 Arboreto/GRNBoost2、SCENIC、CellOracle、hdWGCNA 或多组学 GRN;相关网络不是直接结合或因果网络;必须区分 motif/ATAC 支持与纯表达关联。 |
GRN-推断-TF-活性 | R/Bioconductor、Python、CLI、单细胞 | Infer gene regulatory networks from bulk or general expression data with mutual-information (ARACNe) and tree-ensemble (GENIE3, GRNBoost2) methods, and infer transcription-factor protein activity from regulons with VIPE… |
从表达或多组学数据推断转录因子 | Python | 使用 Gene regulatory networks multiomics grn 从表达或多组学数据推断转录因子—靶基因关系和调控模块。适用于运行 Arboreto/GRNBoost2、SCENIC、CellOracle、hdWGCNA 或多组学 GRN;相关网络不是直接结合或因果网络;必须区分 motif/ATAC 支持与纯表达关联。 |
SCENIC-pySCENIC通过结合GRNBoost2共表 | Python、CLI、单细胞 | Infer transcription factor regulons from single-cell RNA-seq with pySCENIC by combining GRNBoost2 co-expression, cisTarget motif-enrichment pruning, and AUCell per-cell activity scoring. Covers the motif-pruning-as-dire… |
GRN-推断-TF-活性 | R/Bioconductor、Python、CLI、单细胞 | Infer gene regulatory networks from bulk or general expression data with mutual-information (ARACNe) and tree-ensemble (GENIE3, GRNBoost2) methods, and infer transcription-factor protein activity from regulons with VIPE… |
单细胞-GRN-推断 | Python | 从单细胞表达或 RNA+ATAC 推断 TF–靶基因网络。表达型 GRN 适合提出候选边;需要 motif、染色质或扰动证据后才能增强机制解释。 |
GRN-推理工作流脚手架 | 读取入口说明确认依赖与输入 | GRN inference skill scaffold; replace this scaffold with a tested implementation. |
CellOracle-单细胞 | Python、单细胞 | 使用 CellOracle 构建带 motif/ATAC 先验的细胞型特异 GRN,并模拟转录因子扰动对状态转移的影响。适用于有可信轨迹和调控先验的机制探索;模拟向量不是实验敲除结果。 |
SCENIC-单细胞 | CLI、单细胞 | 使用 GRNBoost/GENIE3、motif pruning 和 AUCell 推断 regulon 及其单细胞活性。适用于 TF 程序探索;motif 数据库必须匹配物种和基因组,AUCell 活性不是 TF 蛋白活性测量。 |
从批量时间序列表达数据推断动态基因调控网络 | R/Bioconductor、Python | Infers dynamic gene regulatory networks from bulk time-series expression data using Granger causality (statsmodels), dynGENIE3 (Extra-Trees on ODE-derived expression derivatives), and dynamic Bayesian networks (bnlearn)… |
通路与富集分析
共同目标:围绕“通路与富集分析”完成同一分析环节;以下入口保留不同算法、工具或工作流。
重点比较:比较 ORA、GSEA、拓扑和单样本评分,关注背景基因集、排序统计量和版本。
本任务族共有 5 个独立入口、5 个名称。
| Skill | 技术路线/资源标签 | 适用范围与主要差异 |
|---|---|---|
基因-Set-富集-分析-GSEA | R/Bioconductor | Gene Set Enrichment Analysis using clusterProfiler gseGO and gseKEGG. Use when analyzing ranked gene lists to find coordinated expression changes in gene sets without arbitrary significance cutoffs. Detects subtle but c… |
GSEA-工作流脚手架 | 读取入口说明确认依赖与输入 | GSEA skill scaffold; replace this scaffold with a tested implementation. |
GSEA-分析 | Python | Gene set enrichment analysis with correct geneset format handling. Critical guidance for loading pathway databases and running enrichment in OmicVerse. |
GSEA-可视化 | R/Bioconductor | Use when after running fgsea() on a preranked gene list when you need to: (1) identify which pathways are most significantly enriched or depleted (lowest p-values), (2) distinguish between upregulated pathways (ES > 0)… |
基因-Set-富集-分析-GSEA | R/Bioconductor | Gene Set Enrichment Analysis using clusterProfiler gseGO and gseKEGG. Use when analyzing ranked gene lists to find coordinated expression changes in gene sets without arbitrary significance cutoffs. Detects subtle but c… |
名称不同但语义近似的补充候选
以下分组由名称与描述中的稀有任务词识别,未自动合并。它们可能是别名、 包含关系或相邻步骤;使用前应以各自入口的输入输出边界为准。
候选组 1
Co-表达-Networks:Build weighted gene co-expression networks to identify modules of co-regulated genes, relate them to phenotypes, and find hub genes using WGCNA, hdWGCNA, MEGENA, CEMiTool, and Gau…Co-表达-Networks:Build weighted gene co-expression networks to identify modules of co-regulated genes, relate them to phenotypes, and find hub genes using WGCNA, hdWGCNA, MEGENA, CEMiTool, and Gau…
候选组 2
SCENIC-pySCENIC通过结合GRNBoost2共表:Infer transcription factor regulons from single-cell RNA-seq with pySCENIC by combining GRNBoost2 co-expression, cisTarget motif-enrichment pruning, and AUCell per-cell activity s…SCENIC-pySCENIC通过结合GRNBoost2共表:Infer transcription factor regulons from single-cell RNA-seq with pySCENIC by combining GRNBoost2 co-expression, cisTarget motif-enrichment pruning, and AUCell per-cell activity s…
候选组 3
从表达或多组学数据推断转录因子:使用 Arboreto grn inference 从表达或多组学数据推断转录因子—靶基因关系和调控模块。适用于运行 Arboreto/GRNBoost2、SCENIC、CellOracle、hdWGCNA 或多组学 GRN;相关网络不是直接结合或因果网络;必须区分 motif/ATAC 支持与纯表达关联。从表达或多组学数据推断转录因子:使用 Workflows grn pipeline 从表达或多组学数据推断转录因子—靶基因关系和调控模块。适用于运行 Arboreto/GRNBoost2、SCENIC、CellOracle、hdWGCNA 或多组学 GRN;相关网络不是直接结合或因果网络;必须区分 motif/ATAC 支持与纯表达关联。从表达或多组学数据推断转录因子:使用 Gene regulatory networks multiomics grn 从表达或多组学数据推断转录因子—靶基因关系和调控模块。适用于运行 Arboreto/GRNBoost2、SCENIC、CellOracle、hdWGCNA 或多组学 GRN;相关网络不是直接结合或因果网络;必须区分 motif/ATAC 支持与纯表达关联。从表达或多组学数据推断转录因子:使用 Gene regulatory networks multiomics grn 从表达或多组学数据推断转录因子—靶基因关系和调控模块。适用于运行 Arboreto/GRNBoost2、SCENIC、CellOracle、hdWGCNA 或多组学 GRN;相关网络不是直接结合或因果网络;必须区分 motif/ATAC 支持与纯表达关联。
候选组 4
差异-Networks:Compare gene co-expression and regulatory networks between biological conditions to find rewired relationships using DiffCorr, DiffCoEx, DINGO/iDINGO, and CoDiNA. Covers the diffe…差异-Networks:Compare gene co-expression and regulatory networks between biological conditions to find rewired relationships using DiffCorr, DiffCoEx, DINGO/iDINGO, and CoDiNA. Covers the diffe…
候选组 5
GRN-推断-TF-活性:Infer gene regulatory networks from bulk or general expression data with mutual-information (ARACNe) and tree-ensemble (GENIE3, GRNBoost2) methods, and infer transcription-factor…GRN-推断-TF-活性:Infer gene regulatory networks from bulk or general expression data with mutual-information (ARACNe) and tree-ensemble (GENIE3, GRNBoost2) methods, and infer transcription-factor…
候选组 6
基因-Set-富集-分析-GSEA:Gene Set Enrichment Analysis using clusterProfiler gseGO and gseKEGG. Use when analyzing ranked gene lists to find coordinated expression changes in gene sets without arbitrary si…基因-Set-富集-分析-GSEA:Gene Set Enrichment Analysis using clusterProfiler gseGO and gseKEGG. Use when analyzing ranked gene lists to find coordinated expression changes in gene sets without arbitrary si…
示例提示词
围绕《你的通路或生物过程》梳理关键基因与已有研究,寻找合适的公共表达数据,提出一个可验证的通路问题。
包含的科研 Skills15 个
- GSEA与样本级基因集评分用于全量排序特征的GSEA以及GSVA、ssGSEA样本级基因集评分;当用户需要通路方向、leading-edge基因或每个样本的通路分数时使用。v0.1.0
- WGCNA共表达网络用于批量表达数据的WGCNA模块识别、模块—性状关联和枢纽基因筛选;当样本量足以支撑共表达分析时使用。v0.1.2
- 微生物群落代谢网络用于由MAG或菌株模型构建群落代谢互作网络并分析交叉喂养;当用户研究菌群功能分工或代谢依赖时使用。v0.1.0
- SBML生物网络建模用于读取、检查、构建或转换SBML格式的反应网络模型;当用户处理动力学模型、代谢模型交换或模型可重复性时使用。v0.1.0
- 网络药理学分析用于整合药物、靶点、疾病基因和通路形成可审计的网络药理学假设;当用户需要候选机制或联合靶点优先级时使用。v0.1.0
- 时序基因调控网络用于带时间点或轨迹顺序的表达数据推断动态调控关系;当用户关心调控先后、状态转换或延迟效应时使用。v0.1.0
- 生物网络可视化用于把PPI、调控、代谢或多组学网络整理为可读的Cytoscape或图形结果;当网络需要布局、注释和发布级展示时使用。v0.1.0
- 差异调控网络用于比较疾病与对照、处理前后或细胞状态之间的网络重连;当用户关注边或模块如何变化而非单基因差异时使用。v0.1.0
- 生物网络拓扑与社区分析用于计算生物网络中心性、连通结构、社区和稳健性;当用户已有节点边表并希望寻找模块或关键节点时使用。v0.1.0
- 基因调控网络推断在网络与系统生物学领域开展“GRN推断-基因调控网络”任务时使用;根据输入、科学假设和运行环境,在基因调控网络下已保留的方法实现之间路由。v0.1.1
- 观察性组学因果驱动分析在网络与系统生物学领域开展“因果网络”任务时使用;根据输入、科学假设和运行环境,在因果网络推断下已保留的方法实现之间路由。v0.1.1
- nf-core-bacmodel流程当细菌基因组及培养背景需要建立代谢网络或预测生长能力时使用。根据文件、实验背景与研究问题判断适配性,选择方法及参数并解释限制;无需用户知道 nf-core/bacmodel。v0.1.0
- nf-core-diseasemodulediscovery流程当疾病相关基因及互作网络需要寻找候选疾病模块时使用。根据文件、实验背景与研究问题判断适配性,选择方法及参数并解释限制;无需用户知道 nf-core/diseasemodulediscovery。v0.1.0
- 通路与功能富集分析使用clusterProfiler、Enrichr、Reactome、GO或基因集方法进行通路和功能富集时使用;不作为知识图谱或差异表达入口。v0.1.1
- 蛋白质互作网络构建在网络与系统生物学领域开展“STRING-PPI网络”任务时使用;根据输入、科学假设和运行环境,在PPI网络下已保留的方法实现之间路由。v0.1.1
常见问题
网络与系统生物学能做什么?
分子网络、调控网络与系统生物学分析。
如何安装网络与系统生物学?
在科搭 Codar 左侧点击「插件」,在「插件」页签搜索「网络与系统生物学」并安装;也可以把本页的安装提示词发给 Claude Code 或 Codex。
网络与系统生物学需要哪些权限?
该科研插件没有声明额外权限;执行具体操作时仍由 Agent 按自身规则请求确认。
网络与系统生物学经过官方审核吗?
是。SpeedSkills 收录的每个版本都会记录内容摘要与权限声明,当前版本已通过安全审核。