spatial-neighbors-gptomics-bioskills

1. 基本信息

项目	内容
名称	spatial-neighbors-gptomics-bioskills
项目自述名称	SKILL.md front matter name 字段为 bio-spatial-transcriptomics-spatial-neighbors；正文标题为 Spatial Neighbor Graphs
作者/维护者	GPTomics Organization
来源链接	https://github.com/GPTomics/bioSkills/tree/main/spatial-transcriptomics/spatial-neighbors
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 1,165 / 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 2026-07-10（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-neighbors/` 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

构建空间转录组数据的空间邻居图（spatial neighbor graph）——所有下游空间统计量（Moran’s I、邻域富集、共现分析、基于图的空间域划分）都直接依赖这张图，用 Squidpy 的 spatial_neighbors 完成。技能按平台类型分流指导：Visium 等固定网格平台用已知的六邻六边形网格（coord_type='grid'），Xenium/MERFISH/CosMx 等成像点云平台用 kNN 或 Delaunay（coord_type='generic'）
核心论点一：图本身就是模型的一部分，不是预处理步骤——Moran’s I、邻域富集 z 分数、空间可变基因排名、空间域边界都是“表达量 + 邻接矩阵 W”的函数，换一种图构造方式（k 值、Delaunay 换 kNN、是否行标准化）所有下游数字都会变化，因此文档要求做图敏感性分析：在至少两种图定义下重跑同一统计量，只报告跨图稳健的结果
核心论点二：密度权衡没有免费午餐——固定半径图会让高密度区域获得更多邻居，把纯密度梯度伪装成生物学信号；kNN 修正了邻居数量但会扭曲物理距离。文档给出四种图类型（网格/kNN/固定半径/Delaunay）各自的密度偏差、适用场景与失效场景对照表
核心论点三：坐标单位陷阱——半径、共现区间、Delaunay 剪枝阈值都是物理距离单位，若坐标实际是像素或阵列索引，“50 单位半径”会悄悄失效；文档给出用最近邻间距比对已知平台间距（如 Visium 约 100 微米）来确认单位的具体方法
含图类型决策对照表、8 行症状-成因-修复对照表、可运行 Python 示例脚本（examples/build_spatial_graph.py，在 Squidpy 内置数据集上构建并对比多种图）与 6 篇文献引用（Palla 2022 Nature Methods、Moran 1950、Geary 1954、Getis & Ord 1992 等经典空间统计文献）

3. 适用场景

所属分类：数据分析与可视化

面向需要为空间转录组数据（Visium、Xenium、MERFISH、CosMx 等）构建邻居图、并据此运行下游空间统计分析的生物信息学分析者。典型场景：为成像平台的不规则细胞点云在 kNN 与 Delaunay 之间做选择；判断一个空间可变基因或邻域富集结果是真实的组织结构还是仅在某一种图定义下才出现的伪影；剪枝 Delaunay 图在坏死空洞或组织折叠处产生的跨空隙长边；在设置距离参数前确认坐标单位是微米还是像素。

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，也可直接从 ClawHub 安装
Hermes Agent：需适配——Hermes 官方生物信息学技能网关页面按名列出该分类下的技能，但明确说明这类技能“不是 Hermes 格式的技能”，只作为参考材料被引用，非原生 Hermes 技能格式

5. 推荐理由

空间转录组分析里几乎所有下游结论——一个基因是否具有空间可变性、两类细胞是否显著邻近、组织是否能划分出清晰的空间域——本质上都是“表达量 + 邻接矩阵”这个函数的输出，而邻接矩阵怎么定义几乎从不被明确讨论或复核。该技能把图构造从一个隐性的默认参数变成一个需要主动决策、并可通过敏感性分析验证稳健性的步骤，同时把坐标单位这个容易踩中却难以察觉的陷阱前置成一个显式的确认步骤，帮助分析者在最上游的环节就避免让整条分析管线建立在一个悄悄错误的假设之上。

6. 评分

维度	分数	说明
受欢迎程度	7	合集仓库整体约 1,165 stars 不代表本技能自身热度；LobeHub 独立市场页单独收录本技能（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 anndata numpy`），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 2026-07-10
安全性	9	纯 Python 本地统计分析代码，无 shell 越权；示例脚本仅调用 Squidpy 内置数据集加载函数获取公开测试数据，脚本注释明确标注“不写入任何文件”，不涉及用户数据外发或凭据需求；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图构建代码　②示例脚本仅通过 Squidpy 内置数据集加载器获取公开测试数据，不涉及用户数据外发　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 2026-07-10

7. 跟同类 Skills 相比的优势

维度	本技能（spatial-neighbors）	single-cell/clustering（同合集）	直接使用 Squidpy 官方文档
定位	构建空间坐标上的邻接图，是本合集内下游空间统计方法共同依赖的基础设施	在表达空间（非物理坐标）构建 kNN 图用于聚类，是本技能的“非空间对应版本”	提供 API 参数说明，但不给出图类型选择的决策依据与常见错误
空间信息	核心卖点——按平台类型（网格/点云）分流指导图构造，并处理坐标单位、密度偏差等空间特有陷阱	不涉及物理空间坐标，邻居关系纯由表达相似度决定	文档列出参数但不解释不同图类型在生物学解释上的差异
独有陷阱覆盖	图选择本身即模型选择、坐标单位陷阱、Delaunay 跨空隙长边、密度偏差没有免费午餐	无空间坐标陷阱，但存在批次效应、维度选择等表达空间聚类的经典陷阱	不主动指出“图敏感性分析”这类容易被忽略的验证步骤

三者互补而非替代：spatial-neighbors 提供物理空间上的邻接关系，single-cell/clustering 提供表达相似度空间上的邻接关系，两者是同一“图构建”问题在不同坐标系下的对应方案；直接查阅官方文档能获得完整参数列表，但不会主动提示图选择本身对下游结论的系统性影响。

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

无。

10. 安装使用方式

通用方式：克隆 GPTomics/bioSkills 仓库后，复制 spatial-transcriptomics/spatial-neighbors/ 整个目录到目标 agent 的 skills 目录
Claude Code：./install-claude.sh --categories "spatial-transcriptomics"（或不带参数安装全部分类）
Codex：./install-codex.sh --categories "spatial-transcriptomics"
OpenClaw：./install-openclaw.sh --categories "spatial-transcriptomics"，或直接从 ClawHub 安装
安装后无需重启 agent；下次对话中用自然语言描述需求（如“为我的 Visium 数据构建空间邻居图”）即可触发

11. 注意事项

依赖 Squidpy/Scanpy/AnnData 技术栈，仅适用于已加载为 AnnData 格式的空间转录组数据；不直接支持 Seurat（R）用户
图构造参数（k 值、坐标类型、剪枝阈值）需要结合具体组织与平台判断，技能提供决策框架但不能替代对数据本身的检查
该子技能是同合集内多个下游分析技能（空间统计、空间域划分、细胞通讯分析）的公共依赖，建议与这些技能配合安装使用