科研 Skill
scGPT 单细胞基础模型
scgpt
使用单细胞生物学基础模型 scGPT 对单细胞表达数据进行嵌入和注释。适用于:从 AnnData 生成细胞嵌入以进行聚类或整合;执行零样本或微调后的细胞类型注释;为扰动或基因调控网络任务生成基因级表示。对于 scVI 等概率单细胞模型,请使用 scvi-tools 库。
SKILL.md
scGPT——单细胞基础模型
先决条件
| 要求 | 最低配置 | 推荐配置 |
|---|---|---|
| Python | 3.10+ | 3.11 |
| CUDA | 12.1+ | 12.4+ |
| GPU 显存 | 16 GB | 24 GB+ |
运行方法
加载词表和检查点
scGPT 检查点是原始目录(args.json、best_model.pt、vocab.json),并非 Hugging Face Hub 仓库。应指向该目录,而不是 Hugging Face 仓库 ID。
from scgpt.tokenizer.gene_tokenizer import GeneVocab
gv = GeneVocab.from_file("/path/to/scgpt-human/vocab.json")
print(len(gv)) # 已发布的人类检查点为 60697
嵌入 AnnData
import anndata as ad
from scgpt.tasks import embed_data
adata = ad.read_h5ad("dataset.h5ad") # var 必须包含基因名称列
emb = embed_data(
adata,
model_dir="/path/to/scgpt-human",
gene_col="feature_name",
use_fast_transformer=False, # 参见“易错点”
)
# emb 是一个 AnnData,包含 .obsm["X_scGPT"]
输出格式
embed_data 返回一个 AnnData,其中 .obsm["X_scGPT"] 是逐细胞嵌入,形状为 n_cells × emb_dim,默认嵌入维度为 512。下游可将其传入 scanpy.pp.neighbors / scanpy.tl.umap。
远程计算
需要不少于 24 GB GPU 显存,以及已发布的人类检查点(约 200 MB:args.json、best_model.pt、vocab.json)。读取 compute_details({provider, mode:'read'}),寻找安装了 scgpt 且预缓存了检查点目录的环境,然后提交任务:
c = host.compute.create(provider)
job = c.submit_job(
intent="scGPT embed 50k cells — 1×GPU, ~5 min",
inputs=[
"dataset.h5ad",
"embed.py",
],
# 环境激活方式由宿主决定——将它写在命令字符串中
#(例如 "conda run -n <env> python3 embed.py";参见对应提供商的 compute_details)
command="python3 embed.py",
outputs=["embedded.h5ad"],
run_timeout_s=1800,
)
# Job 的 repr 已自行打印(id、notes)——单元格在此结束;内核绝不等待任务
然后调用 wait_for_notification brain 工具。当收到 compute_done 通知时,处理其载荷:
save_artifacts(payload["output_files"]) # hpc/<job_id>/ 下的路径
如需完整记录(文件、stdout_tail、备注等),重新进入内核,并单独绑定计算句柄——.close() 位于句柄上,而不在任务对象上:
c = host.compute.create(provider)
res = c.attach_job(job_id).result() # 读取持久化结果,绝不等待
c.close(intent="scGPT embedding done")
编排细节参见 remote-compute-ssh / remote-compute-modal 技能。
在 embed.py 中,将 model_dir= 设为 compute_details 返回的检查点路径。如果该环境中没有 flash-attn,设置 use_fast_transformer=False。
易错点
use_fast_transformer的默认值是True,但它会解析到并非在每个环境中都能成功导入的 FlashAttention 路径。除非已经确认flash_attn能够正常加载,否则应传入use_fast_transformer=False。- 该软件包过去依赖
torchtext.vocab.Vocab;在没有 torchtext 的环境中,会由纯 Python 适配层提供Vocab——对于GeneVocab而言功能完全相同;但如果遇到AttributeError: 'Vocab' object has no attribute …,说明使用的是过时的适配层。 - 基因名称必须与词表匹配;不匹配的基因会被丢弃。应将
gene_col设置为adata.var中保存基因符号的列。
故障排除
| 症状 | 解决方法 |
|---|---|
导入时出现 flash_attn is not installed 警告 | 无害;传入 use_fast_transformer=False |
'Vocab' object has no attribute 'vocab' | 环境中使用了旧版 torchtext 适配层——更新环境 |
| 几乎所有基因都被丢弃 | gene_col 错误;检查 adata.var.columns |
"scgpt not in manifest" / 环境检测未识别 scGPT | 预构建环境清单以 pip 的规范大小写将发行包列为 scGPT(以及 flash_attn)——查找前应规范化清单键:name.lower().replace('-', '_') |
下一步: 使用 Scanpy 库对嵌入进行聚类或注释(sc.pp.neighbors → sc.tl.leiden / sc.tl.umap),或者在同一数据上与 scvi-tools 潜在空间进行比较。
详细信息
作者
Anthropic
许可证
Apache-2.0
第三方软件、内容、条款和信息
权重——scGPT · Wang Lab(University of Toronto)——信息
所属插件
安装该插件会一并获得同领域的 31 个 Skill / MCP。
同插件的其他科研 Skill
- AlphaFold2 蛋白质结构预测使用 ColabFold 运行器和 AlphaFold2/AlphaFold2-Multimer 预测蛋白质单体、多聚体与复合物结构,并通过 pLDDT、ipTM 和 RMSD 评估预测与设计质量。
- 生信论文写作助手按钮审批、本机R优先与生信论文质控交付
- BioServices 生信数据库助手统一访问生物信息数据库
- Boltz 生物分子共折叠使用 Boltz-2 预测蛋白质、核酸和小分子复合物结构(Passaro、Wohlwend 等,2025)。适用于针对靶标验证设计的结合蛋白、将蛋白质与 SMILES 或 CCD 配体共同折叠,或使用可选的结合亲和力预测功能获得开源 AlphaFold3 替代方案。
- Borzoi 基因组调控预测使用 Borzoi 根据 DNA 序列预测全基因组功能轨迹(RNA-seq、CAGE、DNase、ChIP)。适用于评估变异对表达或染色质可及性的调控效应、生成某个基因组位点的预测覆盖轨迹,或根据预测轨迹差值确定非编码变异的优先级。
- bulk RNA-seq 分析助手复现 bulk RNA-seq 分析流程
- Chai-1 复合物结构预测使用 Chai-1 基础模型(Chai Discovery,2024,github.com/chaidiscovery/chai-lab)预测蛋白质、核酸和小分子复合物结构。适用于从单个 FASTA 预测抗体—抗原或蛋白质—配体复合物、将设计的结合蛋白重新折叠并作为 AlphaFold-Multimer 的替代方案,或通过 Python 在 GPU 上执行批量共折叠任务。
- 肿瘤枢纽基因课题规划规划传统肿瘤生信课题
- deepTools NGS 信号分析生成 NGS 质控和信号图
- DiffDock 小分子对接使用 DiffDock-L(Corso 等,2023/2024)预测小分子结合姿势。它通过盲扩散对接,在无需预定义搜索框的情况下将配体放入蛋白质口袋,并使用学习得到的置信度模型对样本排序。适用于将 SMILES 或 SDF 对接至 PDB、为小型片段库生成排序后的三维姿势,或为后续重打分生成起始姿势。DiffDock 预测几何构象,而非亲和力。
- ESMFold2 全原子共折叠使用 Biohub ESMFold2/ESMFold2-Fast 进行全原子共折叠,支持单序列和 MSA 模式以及蛋白质、DNA、RNA、配体(CCD/SMILES)和修饰残基;FoldBench 抗体–抗原 DockQ 通过率为 50–55%,PPI 为 70–77%。也覆盖同一版本的 ESMC-{300M,600M,6B} 蛋白质语言模型,包括掩码语言模型 logits、隐藏状态、突变评分、接触预测和 SAE 可解释性预测头。适用于预测单序列输入的复合物结构、使用 ESMFold2-Fast 验证设计结合蛋白、运行 MSA 输入、获取 ESMC 嵌入或逐残基突变分数,以及选择符合论文吞吐设置的内核后端和采样步数。
- Evo 2 基因组基础模型使用长上下文基因组基础模型 Evo 2 对 DNA 序列进行评分、嵌入和生成。适用于计算逐核苷酸或逐序列似然以评估变异效应、嵌入基因组窗口供下游分类使用、根据前缀生成 DNA,以及跨物种评估调控区或编码区。
- ESM-2 蛋白质语言模型使用 Meta AI 的 ESM-2(`fair-esm` 软件包)生成蛋白质嵌入。适用于提取残基级或序列级嵌入供下游机器学习使用、进行掩码语言模型似然或突变效应评分,以及根据序列预测接触图。
- gget 生信检索助手跨生信数据库检索基因蛋白信息
- 治疗适应症研究档案生成治疗适应症档案,覆盖患者人群、流行病学、疾病生物学、标准治疗、监管先例和里程碑式临床试验。
- LigandMPNN 配体环境蛋白设计使用 LigandMPNN(Dauparas 等,2023)在配体、核酸和金属环境下对蛋白质骨架进行逆折叠。适用于重新设计结合口袋中围绕已结合小分子或辅因子的残基、设计必须保持几何构型的金属配位位点,或从任意 MPNN 运行中获得穿线了设计序列的 PDB。
- 科学文献综述查找、核验并综合科学文献——从“X 领域的奠基性论文是哪篇”到完整的多来源综述。涵盖以真实检索到的来源支撑论断、避免伪造引文、处理撤稿,以及根据证据强度校准置信程度。
- 医学文献精读助手精读医学文献并提取关键信息
- Methods 段落写作助手改写可投稿的 Methods 段落
- 科研晨间简报将用户的晨间简报渲染为有样式的 HTML 产物,或将其设置为工作日循环任务。仅当用户明确要求运行、查看或设置晨间简报,或明确调用 /morning 时使用;仅询问当天安排、日程或日历并不构成晨间简报请求,应直接回答。
- OpenFold3 复合物结构预测使用 OpenFold3 进行结构预测。OpenFold3 是 AlQuraishi 实验室开发的 AlphaFold3 开放权重 PyTorch 复现。适用于使用 Apache-2.0 许可的 AF3 复现模型预测蛋白质、核酸和配体复合物结构。
- 通路富集分析助手执行通路和基因集富集分析
- ProteinMPNN 蛋白质序列设计使用 ProteinMPNN(Dauparas 等,2022,github.com/dauparas/ProteinMPNN)将蛋白质骨架(PDB 结构)逆折叠为氨基酸序列。适用于对 RFdiffusion 骨架进行序列设计、在固定界面残基的同时重新设计 PDB 中的一条链,或生成跨温度采样的序列集合供下游折叠使用。
- PyDESeq2 差异表达分析分析 bulk RNA-seq 差异表达
常见问题
scGPT 单细胞基础模型能做什么?
使用单细胞生物学基础模型 scGPT 对单细胞表达数据进行嵌入和注释。适用于:从 AnnData 生成细胞嵌入以进行聚类或整合;执行零样本或微调后的细胞类型注释;为扰动或基因调控网络任务生成基因级表示。对于 scVI 等概率单细胞模型,请使用 scvi-tools 库。
如何安装scGPT 单细胞基础模型?
在科搭 Codar 左侧点击「插件」,在「组件」页签搜索「scGPT 单细胞基础模型」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。
scGPT 单细胞基础模型需要哪些权限?
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。
scGPT 单细胞基础模型经过官方审核吗?
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。