AI Skill 大全

RNA-seq 差异表达分析

给出原始计数矩阵与样本元数据、对比方案,产出设计公式、质控图、各对比差异表达表与异常提示。

功能与用途

拿到计数矩阵不等于能做差异表达。这个能力会先卡前置条件:原始计数要留好、每个对比要有足够生物学重复、元数据行名要跟矩阵列名对齐、批次与协变量要明确、PCA 与样本距离图不能看出样本错位或文库失败。方法上默认自动选:整数计数优先 DESeq2,不可用时退 edgeR,非整数表达矩阵用 limma-log2;也可以显式指定。结果里明确杜绝几件事:不写设计公式就比组、用对比的事后知识筛基因、配对设计不建模受试者。

适用场景

  • 样本批次与离群值探索性质控:利用 PCA、样本间距离图和文库大小分布排查样本错位及显著批次效应。
  • 多组别实验差异表达矩阵分析:根据整数计数或非整数表达矩阵,自动调用 DESeq2、edgeR 或 limma。
  • 复杂设计公式与对照结果输出:显式建模配对受试者或协变量,生成包含校正 P 值与变化倍数的差异基因表。

适用人群

  • 手里有计数矩阵要做差异表达的生信分析人员
  • 设计转录组实验分组与对比的科研人员
  • 需要用 R/Bioconductor 出统计结果并做 QC 图的统计人员

使用步骤

  1. 提供原始计数矩阵与样本元数据路径,说明基因 ID 类型与是否需要注释映射
  2. 说明生物学条件、重复、批次变量、配对关系、协变量与排除样本,以及确切的对比与基线水平
  3. 确认统计框架(DESeq2、edgeR、limma-voom 或实验室既定)与输出需求(归一化计数、PCA、火山图、热图、排序表)
  4. 先看 PCA 与样本距离图确认没有样本错位或失败文库,再执行 run_bulk_rnaseq_de.py
  5. 取回各对比结果表与 QC 图,对重复不足或混杂的对比用 .not_tested.tsv 占位,并写明小样本与批次无法估计的注意事项

开始使用

将需求和 Skill 名称发送给已连接 SkillPX MCP 的 AI 助手,核对适用工具和安装要求。

查看 MCP 接入说明

技术信息

分类
知识
适用工具
Codex、Claude Code、OpenClaw、Hermes、国内 Agent
使用难度
专业
版本
main
最近更新
2026-09-18
文件数
3
安装包大小
自动生成 ZIP
安全检查
基础检查通过

Run or plan bulk RNA-seq differential-expression analysis from count matrices with replicate, design formula, contrast, batch, normalization, QC plot, and result-table checks.

使用前准备

  • 需要命令行与 Python 环境及 R/Bioconductor(DESeq2、edgeR、limma),以及原始计数矩阵与行名对齐的样本元数据、对比表
  • 配对设计需受试者/供体信息

依赖与权限

  • 读取用户主动提供的内容

同类 Skill