Claude Skill MartKhám phá skillCâu dùng ngayHọc qua videoDùng terminalSkill là gì?
 
← Về danh sách

Phân tích làm giàu con đường sinh học (pathway-enrichment)

Kỹ năng chạy phân tích làm giàu tập gen (ORA/GSEA) trên danh sách gen hoặc dữ liệu gen đã xếp hạng với GO, KEGG, Reactome, MSigDB rồi diễn giải kết quả.

Dữ liệu · Phân tíchTrung cấp★ 33,030⑂ 3,248Điểm AI 9/10Cập nhật lần cuối: 9 thg 8, 2026

Làm được gì

  • Tìm các con đường sinh học, thuật ngữ GO, tập gen được làm giàu trong danh sách gen (gen biểu hiện khác biệt, hit từ sàng lọc CRISPR, marker cụm, hit proteomics).
  • Chọn đúng phương pháp: ORA (Enrichr, g:Profiler, kiểm định Fisher/siêu hình học), GSEA xếp hạng trước (preranked), hoặc chấm điểm theo mẫu/tế bào (ssGSEA/GSVA).
  • Hướng dẫn chuyển đổi ID gen, chọn tập gen nền (background) đúng, hiệu chỉnh đa kiểm định (BH/FDR), gộp các thuật ngữ GO trùng lặp, vẽ dotplot/enrichment map và lập bảng cho bài báo.
  • Có sẵn scripts/run_enrichment.py chạy ORA hoặc GSEA từ đầu đến cuối, xuất bảng kết quả kèm dotplot.
  • Ba tệp tham khảo (gseapy.md, databases-and-gene-sets.md, interpretation.md) cung cấp API chi tiết và cơ sở thống kê.

Phù hợp với ai

  • Nhà nghiên cứu vừa hoàn thành phân tích biểu hiện khác biệt bằng PyDESeq2/edgeR/limma.
  • Người phân tích đơn bào muốn giải thích chức năng của marker từ rank_genes_groups trong Scanpy.
  • Học viên cao học cần kết quả làm giàu có phương pháp chặt chẽ, đủ vững để đưa vào bài báo.

Ví dụ sử dụng

  1. "Chạy preranked GSEA từ deseq2_results.csv" → tạo thứ hạng từ cột stat, chạy GSEA trên Hallmark và GO:BP, xem NES/FDR và gen leading-edge.
  2. "Kiểm tra làm giàu GO/KEGG cho 300 DEG này" → làm sạch ký hiệu gen, chạy Enrichr ORA với background là toàn bộ gen được biểu hiện để tránh p-value bị phóng đại.
  3. "Kết quả GO ra 40 thuật ngữ gần giống nhau" → dùng enrichment map và chồng lấp leading-edge để gộp lại, chỉ báo cáo thuật ngữ đại diện.

· · · 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/pathway-enrichment/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)
  1. Tải tệp ZIP bằng nút bên dưới.
  2. Trong Claude, mở Settings → Capabilities và bật 'Code execution and file creation'. (chỉ một lần)
  3. 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/pathway-enrichment từ repo GitHub K-Dense-AI/scientific-agent-skills vào ~/.claude/skills/pathway-enrichment/ 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/pathway-enrichment ~/.claude/skills/

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

  1. Mở terminal và đi tới thư mục bạn muốn lưu kỹ năng.
  2. Clone repo: git clone https://github.com/K-Dense-AI/scientific-agent-skills.git
  3. Tạo thư mục kỹ năng: mkdir -p ~/.claude/skills
  4. Copy kỹ năng cần dùng: cp -r scientific-agent-skills/skills/pathway-enrichment ~/.claude/skills/
  5. Cài thư viện Python: uv pip install gseapy gprofiler-official (nếu không có uv thì dùng pip install gseapy gprofiler-official).
  6. Đảm bảo có kết nối Internet vì Enrichr, g:Profiler và MSigDB cần tải dữ liệu trực tuyến.
  7. Khởi động lại Claude Code và yêu cầu ví dụ: "phân tích làm giàu con đường cho danh sách gen của tôi".
Xem mã nguồn trên GitHub ↗Giấy phép: MIT