科研 Skill

分泌蛋白活性推断

codar-single-cell-virtual-cell-skill-52156de0f22e

当用户需要从接收细胞的响应程序反推可能的分泌配体或细胞因子,并整合发送细胞表达、受体和空间证据时使用。

发布者 Codar安全审核通过v0.1.3更新于 2026-10-10

SKILL.md

分泌蛋白活性推断

先由智能体检查已有文件并判断是否有接收细胞响应和样本设计,不要求用户认识工具或填写专业参数。缺失且改变设计的事实用普通语言补问;缺少数据时说明需要什么,不编造活性或响应。宽泛研究目标不自动授权上传或大规模下载。

定义发送端和接收端

需要细胞类型、供体与条件、发送和接收群、表达矩阵、接收侧差异基因、配体—受体及配体—靶基因网络。先确认比较发生在接收细胞内,而不是由细胞组成变化制造。

推断过程

  1. 在每个供体或样本内建立接收细胞响应程序,定义合适的表达背景基因。
  2. 用 NicheNet 或相似模型按配体解释靶基因程序的能力排序。
  3. 过滤发送群不表达的配体、接收群缺少受体或受体复合体不完整的候选。
  4. 比较多个供体的方向和排名;有空间数据时增加物理邻近约束。
  5. 对高度相关的配体家族保留竞争候选,并列出能区分它们的实验。

质量与解释

检查网络版本、每群细胞和供体数、差异基因阈值、组成偏倚和背景选择。活性分数是先验网络与表达的推断,不能代替蛋白分泌量、受体激活或因果实验。

交付

已有 NicheNet 结果时,按绘图输入契约运行 render_results.py,自动输出活性排名、靶基因潜力热图及可用的表达证据图。该脚本复用原生结果,不执行配体活性推断;从表达开始时仍须按已核验版本运行 NicheNet,不能将绘图成功报告成推断已执行。

输出候选分泌因子、活性分数、支持靶基因、发送/接收群、跨供体一致性和验证优先级。

用户要求完整分析时,完成推断后直接生成配体活性排名图、配体–靶基因热图及发送端配体/接收端受体表达支持图,不停在矩阵或等待第二次绘图指令。已有结果对象先核验并复用。候选按当前响应基因、背景和跨供体支持选择;不能固定复用示例分子,也不能强造不同数据集的差异。有多条件及足够供体时增加供体级效应图,样本不足则保留描述性结果。表达、活性和调控潜力分别标注,不能混称通讯概率。

每图交付 PNG 和 PDF/SVG、源表、绘图代码及图注,实际打开检查。用图集清单记录已生成、不适用或失败及原因;缺少靶基因网络时明确缺失,不以表达热图冒充靶基因推断。没有药敏、临床结局或空间坐标时不仿造相应关联图。

原生响应程序执行

多供体多条件且有真实计数时使用 run_multinichenet.R,要求 multinichenetr 2.1.0 及其完整 Bioconductor 依赖。输入为 SingleCellExperiment,明确 sample_key/donor_key/condition_key/cell_type_key、count_assay、lr_network/ligand_target_matrix 与 network_version;contrasts 的每项为 group 和 reference 条件列表,对比参考均值。重复供体必须进入 covariates 设计;每条件至少3供体,技术重复先按设计处理。它执行原生 sample pseudobulk/edgeR、配体活性和条件优先级并导出结果包;原生优先级不是显著性概率。统一方法入口会接续出图,依赖或设计检查失败时不得改用细胞级检验绕过。

MultiNicheNet还输出分条件/接收群/上调或下调响应的配体活性、靶基因权重及逐供体表达支持;不同响应方向不能合并为同一矩阵单元。已有该脚本产出的原生对象可设置reuse_bundle指向原结果包,核验对象、表达、先验摘要及原生分析参数一致后只重新导出与出图。仅有外部来源未知的RDS不能跳过核验。

有表达矩阵、发送/接收群、明确响应基因集及版本化先验时,运行 run_nichenet.R。它读取基因×细胞 expression 与 metadata 的 RDS、LR 先验和 ligand-target 矩阵,原生执行 NicheNet 活性与靶基因关联,保留对象和来源。配置需包含 dataset/research_question/input/lr_network/ligand_target_matrix/gene_set/gene_set_definition/receiver/network_version/expression_scale;发送群由 senders 指定。依赖 nichenetr 2.2.1.1、jsonlite、digest、Matrix。输出目录必须在 Git 外且不存在。

由主通讯 skill 的多方法入口执行时自动接续结果包绘图;单独执行时发现已安装主通讯组件 05-single-cell-virtual-cell-b08-t04 的 render_result_bundle.py 后直接生成配体排序、靶基因热图和机制关联网络,不等用户补绘图指令。未安装时给出明确依赖失败并保留原生对象。方法注册中的 CellCall、MultiNicheNet、FlowSig 等使用各自原生实现与输入要求,不能用 NicheNet 的结果冒充。

FlowSig 分支通过主通讯组件的 run_flowsig.py(固定 flowsig 0.5.5、独立 Python 环境)执行。需要两个真实条件、control、按条件对应的原生 CellChat 结果及实际 GEM;gem_mode=reuse 必须记录上游 GEM 来源,或 gem_mode=native_nmf 从明确 counts 层拟合。它重新构建 inflow/module/outflow 并执行原生 bootstrap、类型约束和边筛选,自动出分层网络、频率热图与逐供体模块载荷。旧 H5AD 中的网络结果不参与本次推断。

FlowSig 使用原生未按细胞总和闭合的 GEM,检查各条件变异和矩阵条件数;默认排除每条件不足10个可辨识变异细胞或相对标准差过低的变量,保存排除记录。进入模型前按全队列每变量一个标准差作数值缩放,绝不逐条件归一化,原始矩阵和缩放值保留。数值警告触发失败,不降低门槛凑图。边频率不是 P,模块间未定向边用无箭头虚线,三供体配对数据也不能把细胞 bootstrap 当成供体层因果验证。macOS 环境需要可用 OpenMP;若 Accelerate 报矩阵运算警告,使用同版本经核验的 OpenBLAS 构建并重跑数值检查,不屏蔽警告。

CellCall 的 LR–TF 原生整合通过主通讯 skill 的稳定 ID 05-single-cell-virtual-cell-b08-t04 定位该主通讯 Skill 内的 run_cellcall.R,由主入口自动执行到图集。具体状态、版本和入口以该 skill 的唯一方法契约为准;CellCallEXT 为独立软件,不能用 CellCall 的 extended 数据库参数代替。LR 分数没有原生联合 P/FDR 时只描述原生正分数筛选;不同单位的 LR 与 TF 权重分开保存,机制图不得混合为统一流量。

默认图件交付

分泌蛋白活性推断的现有绘图入口调用图件交付内核,为实际结果保存PNG、SVG、PDF,关闭背景主次网格,保留该分析的数据线与科学参照;逐图查看交付记录和最终预览,失败不得报告成功。

所属插件

单细胞与虚拟细胞单细胞、多模态与虚拟细胞分析。

安装该插件会一并获得同领域的 39 个 Skill / MCP。

同插件的其他科研 Skill

常见问题

分泌蛋白活性推断能做什么?

当用户需要从接收细胞的响应程序反推可能的分泌配体或细胞因子,并整合发送细胞表达、受体和空间证据时使用。

如何安装分泌蛋白活性推断?

在科搭 Codar 左侧点击「插件」,在「组件」页签搜索「分泌蛋白活性推断」并安装;在 Claude Code 或 Codex 中可以发送本页的安装提示词,或下载 Skill 包后解压到 ~/.claude/skills 或 ~/.codex/skills。

分泌蛋白活性推断需要哪些权限?

该科研 Skill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。

分泌蛋白活性推断经过官方审核吗?

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。