Bộ điều phối phân tích Bulk RNA-seq

Điều phối toàn bộ quy trình bulk RNA-seq: từ FASTQ thô qua QC, định lượng, ma trận counts, DESeq2, phân tích pathway đến hình xuất bản.

Dữ liệu · Phân tíchNâng cao★ 41,485⑂ 3,824Điểm AI 9/10Cập nhật lần cuối: 31 thg 8, 2026

Làm được gì

Dẫn dắt trọn quy trình bulk RNA-seq: FastQC/trimming → STAR hoặc Salmon → ma trận counts mức gene → PyDESeq2 → GSEA/ORA → hình vẽ khoa học.
Chọn giúp bạn một trong hai nhánh thượng nguồn: Path A nf-core/rnaseq (Nextflow, ưu tiên tái lập) hoặc Path B công cụ độc lập (ít mẫu, môi trường hạn chế, muốn hiểu từng bước).
Xử lý khâu khó nhất — chuyển kết quả định lượng thành ma trận counts cho DESeq2 — bằng scripts/build_counts_matrix.py (Salmon qua pytximport length_scaled_tpm, STAR chọn cột strandedness, featureCounts).
Bắt buộc kiểm tra thiết kế thí nghiệm và các cổng QC: ≥3 lặp sinh học, nhiễu batch, strandedness, PCA/heatmap khoảng cách mẫu, và ghim phiên bản công cụ.

Phù hợp với ai

Nghiên cứu viên, học viên cao học sinh học phân tử cần đi từ FASTQ tới danh sách gene biểu hiện khác biệt và pathway.
Nhà phân tích tin sinh cấu hình nf-core/rnaseq hoặc chuyển output STAR/Salmon/featureCounts sang DESeq2.
Người muốn thẩm định thiết kế thí nghiệm trước khi tốn tài nguyên tính toán.
Nếu là dữ liệu single-cell, hãy dùng skill scanpy thay cho skill này.

Ví dụ sử dụng

"Phân tích dữ liệu RNA-seq của tôi" → kiểm tra samplesheet → nextflow run nf-core/rnaseq -r 3.26.0 --aligner star_salmon → dùng salmon.merged.gene_counts_length_scaled.tsv cho DE.
"Tạo ma trận counts từ thư mục quant của Salmon" → build_counts_matrix.py --from salmon --tx2gene tx2gene.tsv sinh counts.csv và metadata_template.csv.
"3 mẫu chứng vs 3 mẫu xử lý, có 2 batch thì thiết kế thế nào?" → gợi ý công thức ~batch + condition, cảnh báo nhiễu và ngưỡng QC.

· · · Hướng dẫn cài đặt · · ·

Dùng thử ngay, không cần cài

Dán đoạn dưới vào Claude là dùng được skill này mà không cần cài đặt.

Hãy đọc hướng dẫn trong tệp này và làm theo để giúp mình:
https://raw.githubusercontent.com/K-Dense-AI/scientific-agent-skills/HEAD/skills/bulk-rnaseq/SKILL.md

Mình muốn: (viết việc bạn cần ở đây)

Nếu Claude không mở được liên kết, hãy mở liên kết và copy nội dung vào rồi dán.

↓ Thấy hữu ích thì tải ZIP bên dưới và cài. Sau đó skill tự chạy, không phải dán lại mỗi lần.

Cài vào ứng dụng Claude (không cần terminal)

Tải tệp ZIP bằng nút bên dưới.
Trong Claude, mở Settings → Capabilities và bật 'Code execution and file creation'. (chỉ một lần)
Vào Customize → Skills → + → 'Upload a skill' rồi tải tệp ZIP lên.

↓ Tải ZIP

Cài vào Claude Code

Để Claude làm — dán câu dưới đây vào Claude Code

Hãy cài skill mình tìm thấy trên Claude Skill Mart.
Copy thư mục skills/bulk-rnaseq từ repo GitHub K-Dense-AI/scientific-agent-skills vào ~/.claude/skills/bulk-rnaseq/ của mình.
Sau khi cài xong, cho mình biết skill này làm được gì trong một câu.

Cài bằng lệnh thủ công

git clone https://github.com/K-Dense-AI/scientific-agent-skills.git && mkdir -p ~/.claude/skills && cp -r scientific-agent-skills/skills/bulk-rnaseq ~/.claude/skills/

⚠ Đây là skill do người khác tạo. Hãy kiểm tra repo gốc trước khi cài.

Mở terminal và clone repo: git clone https://github.com/K-Dense-AI/scientific-agent-skills.git
Tạo thư mục skill: mkdir -p ~/.claude/skills
Copy skill này: cp -r scientific-agent-skills/skills/bulk-rnaseq ~/.claude/skills/
Nên copy thêm các skill liên quan: cp -r scientific-agent-skills/skills/{pydeseq2,pathway-enrichment,nextflow,scientific-visualization} ~/.claude/skills/
Cài phụ thuộc Python: uv pip install pytximport pandas (hoặc pip install pytximport pandas)
Chọn nhánh: Path A cần Nextflow + Docker/Singularity; Path B chạy conda create -n rnaseq -c bioconda -c conda-forge fastqc fastp trim-galore star=2.7.11b salmon=1.10.3 subread multiqc
Khởi động lại Claude Code và thử: "Đi từ FASTQ tới gene biểu hiện khác biệt cho dữ liệu của tôi".

Xem mã nguồn trên GitHub ↗Giấy phép: MIT