1. 基本信息
| 项目 | 内容 |
|---|---|
| 名称 | jacks-analysis-gptomics-bioskills |
| 作者/维护者 | GPTomics |
| 来源链接 | https://github.com/GPTomics/bioSkills/tree/main/crispr-screens/jacks-analysis |
| 许可证 | MIT（数据来自 GitHub API） |
| GitHub Stars | 所属合集仓库 1,123（数据来自 GitHub API；该数字属整个 bioSkills 合集，不代表本技能个体热度） |
| Forks | 所属合集仓库 193（数据来自 GitHub API） |
| 最新版本 | 无独立版本号，随合集仓库更新，本技能路径最近一次提交时间 2026-07-25（数据来自 GitHub API） |
| 安装方式 | 克隆仓库后运行仓库自带的多 Agent 安装脚本，或手动复制该子目录到对应 skills 目录；亦可通过第三方技能市场 mdskill.dev 一条命令安装 |
2. 功能介绍与亮点
jacks-analysis 讲解 JACKS（Joint Analysis of CRISPR/Cas9 Knockout Screens，Allen et al. 2019 Genome Research）方法——把每条 sgRNA 的对数倍数变化联合分解为“处理相关的基因必需性效应”与“处理无关、由 sgRNA 序列本身决定的向导效能”两项贝叶斯变分推断问题，让低效能的向导在多个筛选间被自动降权：
- 模型原理拆解：给出 JACKS 变分贝叶斯分解公式与两层先验（向导效能的全局高斯先验、基因效应的条件相关先验），并明确指出效能不可跨化学体系共享（Cas9 敲除效能 ≠ CRISPRi 敲低效能 ≠ CRISPRa 激活效能）这一关键假设边界
- 适用场景判定表：量化对比“何时该用 JACKS”（≥3 个共享文库的联合筛选、复用 DepMap/Project Score 等公开参考筛选做效能先验迁移、效能方差大的旧文库）与“何时不该用”（单次筛选无先验、重度选择的化学基因组学筛选应改用 drugZ、癌细胞系拷贝数筛选应改用 Chronos），并附 Allen 2019 报告的量化增益（较 MAGeCK 误差降低约 21%，可将所需样本量缩减约 2.5 倍）
- 5 类失败模式排查表：化学体系不匹配导致效能坍缩至零、跨细胞系池化掩盖真实差异、变分推断未收敛、sgRNA-基因映射命名不一致、参考效能先验取自不匹配的文库，按触发条件、机制、症状、修复方法四栏列出
- 与 MAGeCK/BAGEL2 的方法论对比表 + 分歧协调指南：说明何时该信 JACKS、何时该信 MAGeCK，以及两者结果冲突时如何用 sgRNA 层证据核验
亮点是没有停留在命令行调用层面，而是把“这个 Bayesian 联合分解模型到底在解决什么问题、什么时候该用、跟其他方法冲突了该信谁”这层最容易被忽视的方法论判断讲透，帮助研究者避免误用（如跨化学体系共享效能先验、拿单次筛选硬套联合分析）。
3. 适用场景
所属分类：数据分析与可视化
适合需要联合分析多个共享同一文库的 CRISPR 筛选、怀疑向导层面噪声掩盖了真实基因信号，或希望复用已发表的公开参考筛选（如 DepMap、Project Score）做效能先验迁移以缩小自身筛选规模的生物信息学研究者。它与同仓库 mageck-analysis（通用单筛选统计检验）、bagel-essentiality（不建模效能的必需性分类）互为方法论替代选项，与 library-design（用 JACKS 效能输出指导文库 v2 重设计）、screen-qc（联合分析前的质控前置步骤）在同一分析流程中互为衔接。
4. 跨 Agent 兼容性
- Claude Code：原生支持——仓库自带
install-claude.sh专用安装脚本，SKILL.md 为标准 Agent Skills 格式 - Codex：原生支持——仓库自带
install-codex.sh，安装时自动转换为 Codex 的 Agent Skills 目录结构 - OpenClaw：原生支持——仓库自带
install-openclaw.sh，亦可直接从 ClawHub 市场安装 - Hermes Agent：原生支持——已被 Hermes 官方生物信息学网关“CRISPR & Genome Engineering”类目具名收录
5. 推荐理由
它把 JACKS 这个联合贝叶斯分解方法的适用边界——尤其是“什么时候它比 MAGeCK/BAGEL2 更好、什么时候完全不该用、效能先验能不能跨库/跨化学体系复用”——整理成一份带判定表、失败模式排查与量化增益引用的分析指南，帮研究者在设计多筛选联合分析或复用公开参考数据时，少走“先验用错文库导致估计反而变差”的弯路。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 7 | 已被 Hermes 官方生物信息学网关“CRISPR & Genome Engineering”类目具名收录，并被第三方技能市场 mdskill.dev 收录索引；所属合集仓库星数（1,123）按惯例不计入单个子技能自身热度 |
| 可用性 | 8 | SKILL.md 与 usage-guide.md 文档详尽，含模型原理、适用判定表、5 类失败模式排查表、量化阈值表与可运行 Python 代码示例；本技能路径最近一次提交为 2026-07-25（评估时不到两周前）；但完整使用需先从 GitHub 克隆并本地安装 JACKS 官方实现（PyPI 上的同名包并非该工具），非零配置直接可用 |
| 安全性 | 9 | 纯方法论参考文档与本地示例代码，不执行任意 shell 命令、不联网外发数据、无需 API key 或凭据，MIT 许可证完全开源可审计 |
综合评分（三项均值）：8.0
7. 跟同类 Skills 相比的优势
| 对比对象 | 定位 | 与本技能的差异 |
|---|---|---|
| mageck-analysis-gptomics-bioskills | 同仓库子技能，MAGeCK RRA/MLE 通用统计检验方法 | mageck-analysis 是单筛选场景下的默认通用工具；jacks-analysis 专精“多个共享文库的筛选如何联合建模、效能先验如何跨筛选迁移”这一更窄但更专业的场景，二者在同一决策树里互为分支 |
| bagel-essentiality-gptomics-bioskills | 同仓库子技能，BAGEL2 贝叶斯因子必需性分类器 | bagel-essentiality 直接对必需性分类打分，不建模 sgRNA 效能差异；jacks-analysis 显式分解并利用效能信息，在向导质量参差不齐的文库上更占优 |
| felicityallen/JACKS（官方算法实现仓库，非 agent skill） | JACKS 方法的原始 Python 实现与论文配套代码 | 该仓库是本技能实际调用的底层工具本身，只提供命令行/API，不含“何时该用、如何诊断收敛失败、如何与其他方法协调结果”的决策指南；jacks-analysis 把这层方法论判断整理成可对话调用的分析指南 |
8. 用户评价
该技能目前在第三方平台尚无具名用户评价。
10. 安装使用方式
- Claude Code：
git clone https://github.com/GPTomics/bioSkills && cd bioSkills && ./install-claude.sh，安装后按提示选择性安装crispr-screens类目 - Codex：同仓库运行
./install-codex.sh - OpenClaw：同仓库运行
./install-openclaw.sh，或通过 ClawHub 市场搜索安装 - 通用方式：手动将
crispr-screens/jacks-analysis/目录复制到对应 Agent 的 skills 目录 - 第三方市场：
npx mdskill add GPTomics/bioSkills/bio-crispr-screens-jacks-analysis - 安装后无需重启，在对话中直接描述联合分析需求（如“帮我用 JACKS 联合分析这 4 个共享同一文库的筛选”）即可触发
- 完整使用需自行克隆并安装 JACKS 官方实现（
git clone https://github.com/felicityallen/JACKS），注意 PyPI 上的jacks包与该工具无关
11. 注意事项
- 向导效能先验不可跨文库或跨化学体系（如 Cas9 敲除与 CRISPRi 敲低）共享，混用会导致效能估计系统性失真
- 变分推断存在收敛风险，官方实现未暴露随机种子参数，需通过重复运行比对结果稳定性来验证收敛
- 单次筛选且无可用参考效能先验的场景下，JACKS 不比 MAGeCK/BAGEL2 更优，此时应改用后两者
- 该技能专注联合效能建模这一环节，不含筛选前质控（见同仓库 screen-qc）与拷贝数偏差校正（见同仓库 copy-number-correction）