spatial-proteomics-gptomics-bioskills

1. 基本信息

项目	内容
名称	spatial-proteomics-gptomics-bioskills
项目自述名称	SKILL.md front matter name 字段为 bio-spatial-transcriptomics-spatial-proteomics；正文标题为 Spatial Proteomics Analysis
作者/维护者	GPTomics Organization
来源链接	https://github.com/GPTomics/bioSkills/tree/main/spatial-transcriptomics/spatial-proteomics
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/spatial-proteomics/` 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 CODEX/PhenoCycler、MIBI-TOF、IMC、CyCIF、Opal/Vectra mIF 等多重抗体成像数据，用 scimap 与 squidpy 完成强度变换、通道串扰/抗体批次校正、细胞表型判定（门控或聚类）与空间邻域分析
核心论点：抗体成像信号是连续且带批次、染色、亲和力等混杂因素的蛋白强度，不是 RNA 转录本计数——变异稳定变换必须用 arcsinh/z-score/百分位，绝不能像处理 UMI 计数那样套用 log1p；引用 Hickey 2021（Front Immunol 12:727626）的实证：同一份 CODEX 数据集交叉 5 种归一化 × 4 种聚类方法，产出 20 种不同细胞类型注释，证明归一化选择本身主导了结果，而非生物学差异
给出五大平台对照表（CODEX/PhenoCycler、MIBI-TOF、IMC、CyCIF、Opal/Vectra mIF），逐一说明化学原理、标记物通量、优势与主要混杂因素，并明确 IMC 端到端处理流水线应转交同合集的 imaging-mass-cytometry 技能而非重复实现
拆解“抗体面板靶向性”的认知陷阱：面板是预先选定的有限标记物集合，某标记“缺失”通常意味着“未染色”而非“该蛋白不存在”，不具备从头发现能力
把全细胞分割标注为下游误差的主要来源，膜信号横向串扰会伪造假阳性双阳性细胞（如 CD3+CD20+ 实为相邻 T 细胞与 B 细胞被误判为一个细胞），并给出门控/聚类两套完整可运行代码、空间邻域富集分析代码、9 条症状-成因-修复对照表与 11 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 CODEX/MIBI-TOF/IMC/CyCIF/Opal 等多重免疫成像数据、需要正确选择强度归一化与细胞表型判定方法的生物信息学分析者。典型场景：为 CODEX 强度矩阵选择并调优 arcsinh 变换的 cofactor 参数；判断该用门控还是聚类对细胞分型；排查看似“双阳性”的细胞是否为分割串扰伪影而非真实生物学信号；为 IMC/MIBI 数据决定通道溢出补偿该在本技能内处理还是转交 imaging-mass-cytometry 流水线。

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-proteomics，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

在多重免疫成像分析里，把连续的抗体强度信号误当作 RNA 转录本计数处理，是一个会静默传导到下游每一步的定性错误。该技能把这个认知重新框定清楚，并系统化给出该走门控还是聚类、如何校正通道串扰与抗体批次效应、如何识别分割伪影导致的假阳性双阳性细胞，帮助 agent 在处理 CODEX/MIBI/IMC 等数据时不犯“把强度当计数用”这个根本性错误。

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（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 scimap squidpy scanpy anndata`），无付费依赖；文档齐全含独立 usage-guide 与可运行示例脚本（基于 squidpy 内置 IMC 数据集）；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 内置数据集加载函数）、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强度矩阵处理代码　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（spatial-proteomics）	image-analysis（同合集）	spatial-deconvolution（同合集）
定位	处理抗体成像平台（CODEX/MIBI/IMC 等）产出的蛋白强度矩阵，做归一化与细胞表型判定	处理成像空间转录组平台原始图像，做细胞/细胞核分割与形态学特征提取	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
信号类型	连续抗体强度（荧光光子/金属离子计数），需 arcsinh/z-score 变换	图像像素强度与几何边界	RNA 转录本计数，可用 NB/Poisson 计数模型
核心价值	强度-计数混淆的纠偏框架、门控 vs 聚类的选型判断、通道串扰补偿	分割策略选型对照表、转录本溢出污染排查	参考质量优先于方法选择的论证、混合单元分辨率判断

三者分别对应组织切片分析流水线中不同的数据模态与处理阶段（蛋白强度定量 / 图像分割 / 转录组反卷积），互补而非重叠。

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 image-analysis（细胞分割是每个逐细胞强度向量的上游误差来源）、imaging-mass-cytometry 系列（IMC/MIBI 的完整处理流水线执行）、spatial-multiomics（与匹配空间转录组数据整合）与 spatial-statistics（邻域富集与共现分析的共享统计基础），可见本技能承担该合集中“蛋白质组学成像平台”这一专项数据模态角色。

10. 安装使用方式

克隆或下载仓库子目录 spatial-transcriptomics/spatial-proteomics/
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 scimap squidpy scanpy anndata
无需重启 agent，装好后自然语言描述需求（如“帮我用 arcsinh 变换我的 CODEX 强度数据并调优 cofactor”）即可触发

11. 注意事项

cofactor=5 是 CyTOF 惯例值，并非对成像数据自动最优，过小会把零附近噪声过度展开成虚假阳性群体，需按数据集调优并核查
抗体面板是预先选定的有限集合，某标记物“缺失”通常意味着“未染色”而非“该蛋白不存在”，不具备从头发现能力
全细胞分割（尤其 Mesmer/DeepCell）是下游误差的主要来源，相邻细胞的膜信号横向串扰会伪造假阳性双阳性细胞，应在信为生物学结论前先审查分割质量
IMC/MIBI 数据的端到端处理流水线（通道溢出补偿、分割执行、FlowSOM 表型判定）应转交同合集的 imaging-mass-cytometry 系列技能，本技能只负责平台广度覆盖与强度概念纠偏
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