1. 基本信息
| 项目 | 内容 |
|---|---|
| 名称 | spatial-domains-gptomics-bioskills |
| 项目自述名称 | Spatial Domain Detection（SKILL.md 内部标题；front matter name 字段为 bio-spatial-transcriptomics-spatial-domains） |
| 作者/维护者 | GPTomics Organization |
| 来源链接 | https://github.com/GPTomics/bioSkills/tree/main/spatial-transcriptomics/spatial-domains |
| 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 1,162 / 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/spatial-domains/ 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
- 在 Visium、Xenium、MERFISH、Slide-seq、Stereo-seq 等平台数据中识别空间连续的组织区域（如皮层分层、肿瘤核心 vs 基质带），整合 Squidpy、BANKSY、BayesSpace、STAGATE、GraphST 等方法
- 明确区分“域”（含多种细胞类型的连续区域）、“细胞类型”（单个细胞身份）与“生态位”（局部细胞类型组成）——三者常被混淆，问错问题会用错工具
- 把“空间权重旋钮”确立为决定结果的核心参数，给出过度平滑（区域融成色块）与欠平滑（椒盐噪声）两种失败模式的判断依据
- 将域数量 k 定位为生物学决策而非统计优化目标，要求报告 k±1 敏感性而非静默调优
- 引用 Yuan 2024 Nat Methods（13 方法 × 34 数据集基准）等研究，标注 DLPFC 基准“连续层状组织”的局限，提醒不可泛化到非层状组织
- 含方法对照表、BANKSY 风格特征增强完整代码、BayesSpace（R）与 STAGATE 代码片段、常见错误对照表，及可运行的
examples/detect_domains.py与独立usage-guide.md
3. 适用场景
所属分类：数据分析与可视化
面向处理空间转录组数据、需要把组织切片划分为空间连续区域（而非单纯做细胞类型聚类或生态位分析）的生物信息学分析者。典型场景：从 Visium 皮层切片中划出层状结构、区分肿瘤核心与周边基质带、在多样本数据中避免“域”结果与批次混淆、为域数量 k 提供可复现的生物学论证。
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
spatial-domains，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
组织区域划分容易被简化误解——直接套用非空间聚类算法，结果会在切片上呈椒盐状分布、毫无生物学意义。该技能先讲清“域 vs 生态位 vs 细胞类型”这组常被混淆的概念，再把空间权重旋钮、域数量 k 的生物学确定方法、非连续域为何让所有方法失效等易踩坑之处框架化，帮助 agent 在空间组织学问题上选对方法、调对参数，而非产出视觉上“聚了类”实则空间不连贯的错误结果。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 7 | 合集仓库整体约 1,162 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 scanpy scikit-learn，可选 R 端 BiocManager::install），无付费依赖；文档齐全含示例脚本与常见错误对照表；最近一次提交为 2026-06-28 |
| 安全性 | 9 | 纯 Python/R 本地分析代码，无 shell 越权、无网络外发、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，为标准科学计算库调用与本地数据处理代码 ②不联网外发数据 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（spatial-domains） | image-analysis（同合集） | spatial-statistics（同合集） |
|---|---|---|---|
| 定位 | 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” | 处理成像平台原始图像，做细胞分割与形态学特征提取，产出细胞级几何/强度指标 | 分析细胞类型之间的空间共现与邻域富集，回答“哪些类型倾向于挨在一起” |
| 核心价值 | 域方法选型对照表、空间权重旋钮的过/欠平滑判断、k 值的生物学论证与 k±1 敏感性 | 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 | 邻域富集统计检验、共现网络构建、与域分析的问题边界澄清 |
| 输出粒度 | 区域级（一个区域含多种细胞类型） | 细胞级（单细胞的几何轮廓与强度特征） | 细胞对/类型对级（哪些类型统计显著地相邻） |
三者分别处理组织切片分析流水线中“分割→区域划分→邻域关系”三个层级，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-neighbors（构建空间邻接图）、spatial-statistics（邻域富集分析）、spatial-deconvolution（每个 spot 的细胞组成）与 single-cell/clustering（非空间聚类及 marker 检验的双重计数陷阱），可见本技能承担“组织区域分割”专项角色。
10. 安装使用方式
- 克隆或下载仓库子目录
spatial-transcriptomics/spatial-domains/ - 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-learn（可选banksy_py/STAGATE_pyG；R 端BiocManager::install(c('BayesSpace','Banksy'))） - 无需重启 agent，装好后自然语言描述需求即可触发
11. 注意事项
- 域、生态位、细胞类型是三个不同概念：想知道“哪些细胞类型共现”应转向邻域富集分析而非域分割
- 空间权重旋钮决定结果质量：过高会把区域融成色块、抹去边界；过低则退化为椒盐噪声，需针对组织手动扫描找平衡取值
- 域数量 k 应作为生物学决策并展示 k±1 敏感性，不应对聚类分数静默优化
- 散在分布的非连续域（如零散肿瘤巢）会让所有域方法失效，此时应改用邻域富集分析
- 多样本数据若不使用多样本感知方法或提前批次整合，划分出的“域”可能只是样本差异而非真实生物学结构
- 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