pyOpenMS – Quy trình phân tích khối phổ

Làm được gì

Skill sử dụng pyOpenMS (Python binding của OpenMS) để xử lý dữ liệu khối phổ từ đầu đến cuối: đọc và chuyển đổi mzML/mzXML/MGF, xử lý tín hiệu (làm mượt, centroiding, chuẩn hóa, ngưỡng S/N), phát hiện feature cho cả metabolomics và proteomics, căn chỉnh thời gian lưu giữa nhiều mẫu, liên kết consensus, tạo ma trận định lượng label-free, gom nhóm adduct, tra cứu khối lượng chính xác với HMDB và lọc FDR cho kết quả nhận danh peptide/protein.

Điểm mạnh là bộ khoảng 17 script CLI có tham số sẵn trong scripts/ — bạn nên chạy script thay vì viết code mới. Skill còn hỗ trợ xuất sang GNPS (FBMN), SIRIUS, mzTab và chuyển sang pandas. Tài liệu ghi rõ những API đã thay đổi ở pyOpenMS 3.5.0 (ví dụ FeatureFinder("centroided") đã bị bỏ), giúp tránh lỗi khi copy code từ hướng dẫn cũ.

Phù hợp với ai

• Nhà nghiên cứu, học viên cao học làm proteomics/metabolomics trên nền LC-MS/MS
• Nhân sự phòng phân tích cần chạy pipeline định lượng lặp lại
• Lập trình viên muốn chuyển quy trình OpenMS/TOPP sang Python
• Không phù hợp nếu bạn chưa có kiến thức nền về khối phổ.

Ví dụ sử dụng

1. Kiểm tra mẫu và tìm feature: chạy inspect_ms_data.py sample.mzML để xem số phổ, khoảng RT/m/z, rồi detect_features_metabo.py sample.mzML --out-csv features.csv cho metabolomics không định hướng.
2. Nghiên cứu định lượng nhiều mẫu: align_link_quantify.py s1.mzML s2.mzML s3.mzML --out-prefix study, sau đó consensus_to_matrix.py study.consensusXML --normalize median để có ma trận cường độ đã chuẩn hóa.
3. Hóa học peptide và hậu xử lý nhận danh: mass_calculator.py --peptide "PEPTIDEM(Oxidation)K" --charges 1 2 3 để lấy m/z theo điện tích, và process_identifications.py search.idXML --fasta db.fasta --fdr 0.01 để lọc kết quả ở mức FDR 1%.

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