image-analysis-gptomics-bioskills

1. 基本信息

项目	内容
名称	image-analysis-gptomics-bioskills
项目自述名称	Image Analysis for Spatial Transcriptomics（SKILL.md 内部标题；front matter name 字段为 bio-spatial-transcriptomics-image-analysis）
作者/维护者	GPTomics Organization
来源链接	https://github.com/GPTomics/bioSkills/tree/main/spatial-transcriptomics/image-analysis
许可证	MIT（数据来源：GitHub API，仓库级）
GitHub Stars / Forks	所属合集仓库 bioSkills 整体 1,164 / 195（数据来源：GitHub API；⚠️ 为整个合集的数字，不代表本技能自身热度）
最新版本	仓库整体最新 release 为 3.0（2026-02-14）；本子技能内容最近一次提交于 2026-06-28（数据来源：GitHub API commits，按该子目录路径查询）
安装方式	复制 `spatial-transcriptomics/image-analysis/` 整个目录（含 SKILL.md、examples/、usage-guide.md）到 agent 的 skills 目录，或用仓库自带安装脚本按分类批量安装

2. 功能介绍与亮点

处理成像类空间转录组平台（Xenium、MERFISH/MERSCOPE、CosMx）及配套 H&E/IF 组织图像，做细胞/细胞核分割与图像特征提取，覆盖 Cellpose、StarDist、Baysor、proseg、Squidpy 等主流工具
核心决策框架“按已有边界信号选方法而非凭反射”：DAPI 核染色只能定位细胞核，膜/边界染色才能定义细胞边界；有无膜染色是决定分割策略的第一变量，比换算法更关键
明确拆解分割失败的三种机制——过度分割（细胞被切碎）、欠分割（相邻细胞被误合并为“空间双细胞”，标准双细胞检测工具因其非随机配对而失效）、转录本溢出（距离相关的错误共表达，会伪造下游配体-受体分析中的“短程信号”）
给出分割方法选型对照表（StarDist/Cellpose/Watershed/Mesmer/Baysor/proseg/SSAM 共 7 种）与“信任阶梯”，并用 Xenium 官方默认扩张半径从 15μm 下调到 5μm 的真实案例说明“扩张半径没有标准答案”
含核分割、转录本重分割、分割质量 QC（细胞面积/转录本数分布检查、可疑共表达检测）、Squidpy 逐 spot 图像特征提取四段完整可运行代码，以及 9 条症状-成因-修复对照表与 9 篇同行评审文献引用

3. 适用场景

所属分类：数据分析与可视化

面向处理成像类空间转录组数据（Xenium/MERFISH/CosMx 等）、需要在细胞分割阶段做出正确方法选型并判断下游分析结果是否可信的生物信息学分析者。典型场景：判断某染色条件下该用核扩张、全细胞膜分割还是转录本感知分割；排查配体-受体分析中的“短程信号”是否是分割溢出伪造的假阳性；为 Visium 数据提取逐 spot 图像纹理特征辅助空间域检测。

4. 跨 Agent 兼容性

Claude Code：原生支持——仓库提供 install-claude.sh，标准 SKILL.md（YAML front matter + 指令正文）可直接安装
Codex：原生支持——仓库同时提供 install-codex.sh
OpenClaw：原生支持——仓库提供专用 install-openclaw.sh，保留原始目录结构
Hermes Agent：需适配——Hermes 官方生物信息学技能网关页面按名列出 image-analysis，但明确说明这类技能“不是 Hermes 格式的技能”，只作为参考指南被引用，非原生 Hermes 技能格式

5. 推荐理由

在成像类空间转录组数据里，“细胞”本身就是分割算法产出的假设而非直接观测——分割错误会连锁污染后续的细胞分型、差异表达与配体-受体分析。该技能把“该看哪个染色信号来选分割策略”系统化为决策框架，并把容易被忽视的转录本溢出问题（会伪造下游分析最看重的“短程共定位信号”）讲清楚成因与排查方法，帮助 agent 在下游分析前先判断分割结果是否可信。

6. 评分

维度	分数	说明
受欢迎程度	7	合集仓库整体约 1,164 stars 不代表本技能自身热度；LobeHub 独立市场页单独收录本技能，Hermes Agent 官方网关按名列出，均为技能级独立第三方证据
可用性	9	依赖为标准科学计算/生信包（`pip install squidpy cellpose stardist`），无付费依赖；文档齐全含独立 usage-guide 与可运行示例脚本；最近一次提交为 2026-06-28
安全性	9	纯 Python 本地分析代码，无 shell 越权、无网络外发（示例脚本仅调用 Squidpy 自带内置演示数据集加载函数）、无需凭据；MIT 许可证明确；通读全文与示例脚本未见混淆逻辑或可疑指令

安全检查清单：①无 shell 命令执行，为标准科学计算库函数调用与本地图像/数据处理代码　②不联网外发用户数据　③无凭据或 API key 要求　④通读未见可疑指令　⑤GPTomics 为持续维护的组织账号，未见造假迹象　⑥MIT 许可证清晰　⑦最近提交 2026-06-28

7. 跟同类 Skills 相比的优势

维度	本技能（image-analysis）	spatial-domains（同合集）	spatial-deconvolution（同合集）
定位	处理成像平台原始图像，做细胞/细胞核分割与形态学特征提取，产出细胞级几何/强度指标	把连续组织区域（如皮层分层、肿瘤核心）划分出来，回答“这里是哪个区域”	从非单细胞分辨率的混合捕获单元（如 Visium spot）估算细胞类型组成
核心价值	分割策略选型（核扩张 vs 全细胞膜染色 vs 转录本感知分割）、转录本溢出风险判断	域方法选型对照表、空间权重旋钮的过/欠平滑判断、k 值的生物学论证	参考质量优先于方法选择的论证、“平台单元是否真的是混合物”的分辨率判断
输出粒度	细胞级（单细胞的几何轮廓与强度特征）	区域级（一个区域含多种细胞类型）	spot 级（每个捕获单元的细胞类型组成比例）

三者分别处理组织切片分析流水线中“分割 → 区域划分 / 组成估算”的不同层级或不同分辨率场景，属互补而非重叠关系。

8. 用户评价

该技能目前在第三方平台尚无具名用户评价；LobeHub 与 Hermes 官方网关均为收录性质的列表页，不构成使用评价。

9. 其他补充

SKILL.md 的“Related Skills”章节交叉引用同合集内的 spatial-preprocessing（分割后矩阵的 QC 与归一化）、spatial-communication（配体-受体推断，正是分割溢出会伪造短程信号的下游环节）、spatial-proteomics（CODEX/IMC/MIBI 等蛋白质组学成像平台的对应全细胞分割）与 spatial-data-io（加载允许重新分割的原始分子表），可见本技能承担该合集“图像→细胞”这一上游转换环节的专项角色。

10. 安装使用方式

克隆或下载仓库子目录 spatial-transcriptomics/image-analysis/
复制整个目录（含 SKILL.md、examples/、usage-guide.md）到 agent 的 skills 目录；也可用 ./install-claude.sh --categories "spatial-transcriptomics" 批量安装同分类全部技能
装依赖：pip install squidpy scanpy scikit-image cellpose stardist；转录本感知分割需另装 CLI 工具 Baysor（Julia 二进制）或 proseg（Rust 二进制）
无需重启 agent，装好后自然语言描述需求（如“用 Cellpose 从我的 DAPI 图像分割细胞核”）即可触发

11. 注意事项

仅有 DAPI 核染色时，全细胞分割本质上是推断（核扩张），并非测量；有膜/边界染色可将推断转为测量,是提升分割质量最高杠杆的单一改动
核扩张半径没有普适正确值，厂商也在调整（Xenium 官方默认已从 15μm 下调到 5μm）——不要把任一扩张半径当作金标准
标准双细胞检测工具（Scrublet、DoubletFinder）无法识别“空间双细胞”（相邻细胞被误合并），因其模拟的是随机配对而非空间相邻配对
转录本溢出是距离相关的，会在异型相邻细胞间伪造虚假共表达与下游配体-受体分析中的“短程信号”，下游分析前应先做污染 QC
稀疏panel且无先验时，纯转录本方法（Baysor/proseg）结果可能不稳定，需与图像结果交叉核对细胞产率与大小分布
仓库为社区维护的生信技能合集，非厂商官方出品，选用前建议核对示例代码与当前环境包版本