К основному содержанию
скилл CX Codex

nwb-conversion — скилл для Claude Code: конвертация нейронауки в NWB

Скилл nwb-conversion преобразует данные двухфотонной микроскопии и поведенческих координат в формат Neurodata Without Borders с проверкой синхронизации часов и валидацией схемы. Нужен Python 3.12 и набор специализированных библиотек.

MIT 462 установок ★ 58 036 обновлён 2026-10-19

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add K-Dense-AI/scientific-agent-skills --skill nwb-conversion -a claude-code
Открыть на GitHub

Что делает nwb-conversion

Скилл автоматизирует конвертацию нейронаучных данных в NWB через NeuroConv и PyNWB. Берёт на входе стек двухфотонных TIFF-снимков с временными метками и CSV-файл позиции животного, преобразует их в стандартизованный формат с сохранением метаданных сессии, оптических параметров и информации о субъекте.

Внутри — проверка синхронизации между потоками данных: скилл требует, чтобы временные метки уже были в секундах от начала сессии, и вычисляет единое преобразование часов с контролем остатка. Производит валидацию схемы NWB, отчёт NWB Inspector (который может содержать критические замечания, требующие ручного разбора) и round-trip тесты: убеждается, что пиксели, временные метки, единицы координат и связи между каналами восстановились корректно.

Требует Python 3.12 с точно закреплёнными версиями: neuroconv[tiff]==0.10.2, PyNWB==4.2.0, nwbinspector==0.7.2, roiextractors==0.10.0, tifffile==2026.9.20, zarr==2.18.7 и hdmf-zarr==0.11.3. Поддерживает только одноканальную одноплоскостную двухфотонную съёмку и позиционные данные в метрах; не декодирует SpikeGLX, Open Ephys, многоканальные TIFF или видео, и не выполняет spike sorting.

Какие задачи решает

  • синхронизировать двухфотонные снимки и поведенческие координаты по единым часам
  • преобразовать необработанные микроскопические данные в стандартный NWB-формат
  • проверить схему NWB и выявить проблемы валидации на ранней стадии
  • убедиться, что данные восстановились без потери после конвертации
  • собрать полный отчёт о метаданных, часовых поправках и оставшихся пропусках

Примеры запросов агенту

  • Конвертируй двухфотонные снимки imaging.tif и позицию position.csv в NWB с синхронизацией по импульсам часов
  • Проверь, что скилл nwb-conversion прошёл валидацию схемы и round-trip тесты для моего наборора данных
  • Подготовь session-template.json для нейронаучного датасета с метаданными оптики и субъекта

Как установить nwb-conversion

1Через Skills CLI (Vercel)

npx skills add K-Dense-AI/scientific-agent-skills --skill nwb-conversion -a claude-code

2Вручную: положить файлы

~/.claude/skills/nwb-conversion/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/nwb-conversion/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о nwb-conversion

Как установить nwb-conversion в Claude Code?

Выполни npx skills add K-Dense-AI/scientific-agent-skills --skill nwb-conversion -a claude-code, затем открой ~/.claude/skills/nwb-conversion/SKILL.md для верификации.

Что делает nwb-conversion?

Преобразует двухфотонные TIFF-снимки и поведенческие CSV-координаты в NWB-файл, синхронизирует потоки данных по общему таймбейсу, валидирует схему и выполняет round-trip проверки для гарантии целостности.

Какие данные поддерживаются?

Одноканальная одноплоскостная двухфотонная микроскопия (серая TIFF) с временными метками и позиционные данные в метрах, сантиметрах или миллиметрах. Не поддерживаются многоканальные TIFF, SpikeGLX, Open Ephys, spike sorting и произвольные форматы.

Исходный текст

SKILL.md · MIT
---
name: nwb-conversion
description: Converts neuroscience acquisition data to Neurodata Without Borders files with NeuroConv and PyNWB, preserves metadata and timebases, checks evidence-based clock alignment, and produces schema validation, NWB Inspector findings and round-trip checks. Use for NWB conversion and synchronization of planar single-channel two-photon TIFF imaging plus timestamped behavioral position CSV; this skill does not perform spike sorting or claim tested support for arbitrary acquisition formats.
license: MIT
compatibility: Requires Python 3.12 with neuroconv[tiff] 0.10.2, PyNWB 4.2.0, NWB Inspector 0.7.2, roiextractors 0.10.0, tifffile 2026.9.20, zarr 2.18.7 and hdmf-zarr 0.11.3. Local HDF5 file access is required. Network is needed only for installation; no credentials.
metadata:
  version: "1.1"
  skill-author: K-Dense Inc.
  last-reviewed: "2026-10-01"
  upstream-neuroconv: "0.10.2"
  upstream-pynwb: "4.2.0"
  upstream-nwbinspector: "0.7.2"
---

# Validated NWB conversion

## Supported streams

The executable workflow covers two explicit input streams in one session:

| Input | NWB representation | Tested constraints |
| --- | --- | --- |
| Two-photon grayscale multi-page TIFF + frame timestamps CSV | Acquisition `TwoPhotonSeries` named `Imaging` through NeuroConv | One channel, one plane, one 2D image per page, fixed shape and dtype |
| Calibrated position CSV (`time_s,x,y`) | Behavior `Position` / `SpatialSeries` through PyNWB | Coordinates in m, cm or mm; converted to meters without temporal resampling |

Other acquisition readers require their own format-specific tests. In particular, this helper does
not decode SpikeGLX, Open Ephys, multichannel TIFF, volumetric TIFF, compressed video, or pixel-to-world
calibration. Do not rename an arbitrary numeric table to a supported stream.

## Install the tested environment

```bash
uv venv --python 3.12 nwb-env
uv pip install --python nwb-env/bin/python 'neuroconv[tiff]==0.10.2' pynwb==4.2.0 \
  nwbinspector==0.7.2 roiextractors==0.10.0 tifffile==2026.9.20 \
  zarr==2.18.7 hdmf-zarr==0.11.3
```

Keep both Zarr pins even for an HDF5-only conversion: NeuroConv 0.10.2 imports its backend
configuration modules at startup, and the tested unconstrained Zarr 3.4.0 installation failed on
`zarr.codec_registry`. The pinned environment ran the real conversion, PyNWB validation and
Inspector successfully on macOS ARM64. The dependency resolver supplies NumPy and HDF5 support.
These are compatibility pins, not claims that Zarr 2 and hdmf-zarr 0.11.3 are the latest releases.
Current interface checks and the tested dependency exception are recorded in
[references/upstream-review.md](references/upstream-review.md).

## Workflow

1. Inventory the actual inputs and acquisition metadata. Identify image plane/channel, optical
   settings, subject/session identifiers, timezone, behavior coordinate system, units and the
   timestamp clock for every stream. Preserve originals. Do not replace missing metadata with
   plausible defaults from a sample config.
2. Copy [assets/session-template.json](assets/session-template.json) beside the raw data and
   replace the explicitly synthetic values. Paths resolve from that JSON file. Read
   [references/input-contract.md](references/input-contract.md) for the exact CSV and metadata
   contract and the pulse-pair variant. TIFF pixels are retained as acquired; a raw arbitrary-unit
   intensity does not become a photon count merely by changing its unit label.
3. Establish the common timebase from acquisition evidence. Frame timestamps must already be
   reference-clock seconds since the timezone-aware session start. For position, provide either
   a documented shared clock or matched synchronization pulses. The helper fits one affine clock
   transform, checks its residual against a specified tolerance, and refuses extrapolation beyond
   the pulse range. It never estimates synchronization from coincident-looking neural/behavioral
   signals. Clock resets or nonlinear drift require an explicitly validated piecewise mapping.
4. Execute the converter. Inputs must have finite, strictly increasing timestamps and matching
   image/timestamp counts. Explicitly declare one channel and one plane; known TIFF channel/plane
   metadata must agree. Grayscale pages alone cannot exclude undocumented interleaving.
   The acquisition samples stay intact; only coordinate units and, when
   evidenced, behavior timestamps are transformed.
5. Read the `.validation.json` alongside the NWB file. Schema compliance, Inspector findings and
   data equality answer different questions. The script exits with an error for schema failures
   and flags critical Inspector findings for review in the report. Review all findings in context;
   successful validation cannot establish that anatomical labels, pulse pairing or calibration
   supplied by the user are correct.
6. Deliver the NWB, validation JSON, original conversion config and an explanation of remaining
   metadata gaps or Inspector findings. No upload or archive submission is part of this workflow.

## Execute

Run the following from the skill directory, with paths to the actual analysis files:

```bash
nwb-env/bin/python scripts/convert_session.py /path/to/session.json --output /path/to/session.nwb
```

`nwb-env` must point to the environment created above; the absolute example input paths are
illustrative. The command requires a `.nwb` output and refuses to overwrite an existing NWB or
validation report. Output contains source and converter checksums,
package versions, full supplied metadata, units and clock-fit provenance in both a scratch record
and the validation report. When adapting this command for large data, TIFF writes are iterative
and equality checking loads one frame at a time; position CSV currently loads into memory.
Round-trip checks also verify dtype, unit scaling, optical-channel links, subject metadata,
position reference frame, common time origin and embedded provenance. Inspector findings requiring
review appear in the CLI summary; exit zero alone does not mean the file is scientifically correct.
An exception during writing or round-trip checks can leave an incomplete NWB without a report;
retain the error and use a fresh output path after correcting the cause.

The real-library test converts eight non-square uint16 images with irregular frame timing plus
four position samples, asserts exact pixel and timestamp round trips, and checks centimeter-to-meter
conversion. A second integration test recovers a known 1000-ppm clock drift and 50-ms offset from
three matched pulses. Duplicate timestamps, mismatched frame counts, absent clock evidence,
nonlinear pulse disagreement and missing timezone are rejection cases. The mapping is
TIFF `(time,y,x)` to NWB `(time,x,y)`, explicitly checked against every transposed source page. NWB Inspector flags the short fixture
with a critical orientation heuristic because width exceeds frame count; the report retains that
finding and adds the exact frame/timestamp equality evidence. No transpose is performed merely to
satisfy a longest-axis heuristic.

## Primary references

- [NeuroConv TIFF conversion](https://neuroconv.readthedocs.io/en/stable/conversion_examples_gallery/imaging/tiff.html)
- [NeuroConv temporal alignment](https://neuroconv.readthedocs.io/en/stable/user_guide/temporal_alignment.html)
- [PyNWB](https://github.com/NeurodataWithoutBorders/pynwb)
- [NWB Inspector and its relation to schema validation](https://github.com/NeurodataWithoutBorders/nwbinspector)

© K-Dense-AI · MIT · K-Dense-AI/scientific-agent-skills

Похожие скиллы

Все скиллы по теме «Наука и исследования» →
tribev2-brain-encoding reason-machines Скилл tribev2-brain-encoding подключает модель TRIBE v2, которая предсказывает реакцию мозга на видео, аудио и текст. Пригодится в исследованиях и in-silico нейронауке. CX Codex +1 817установок tooluniverse-neuroscience mims-harvard Скилл tooluniverse-neuroscience для Claude Code ищет данные в Allen Brain Atlas, WormBase, UniProt и PubMed для исследований нейроанатомии, нейродегенеративных заболеваний и синаптических белков. CX Codex +1 281установок file-conversion Seth Hobson Скилл file-conversion конвертирует локальные медиафайлы, документы и таблицы без отправки во внешние API. Работает через FFmpeg, ImageMagick, Pandoc и LibreOffice. CX Codex +1 3 100установок VirtualFlyBrain VirtualFlyBrain MCP-сервер открывает доступ к базе данных Virtual Fly Brain по нейроанатомии и коннектомике дрозофилы без регистрации и ключей API. CX Codex +1 ★ 9звёзд репо brainkb sensein Удалённый MCP-сервер для поиска по графам знаний BrainKB в области нейронаук. Помогает агенту извлекать научные факты и связи прямо в диалоге. CX Codex +1 ★ 7звёзд репо Mass Spectrometry Data (mzML, Bruker TDF, vendor conversion) K-Dense-AI Mass Spectrometry Data (mzML, Bruker TDF, vendor conversion) — MCP-сервер для Claude Code: даёт агенту доступ к LC-MS, прогонам, хроматограммам, спектрам, поиску MS2 по прекурсору и быстрому QC. CX Codex +1 ★ 32звёзд репо

Из того же набора176

Весь набор →
qiime2-amplicon Скилл qiime2-amplicon для Claude Code обрабатывает парные 16S-риды в QIIME 2, создавая ASV-таблицы и таксономию с историей преобразований. CX Codex +1 465установок cellprofiler Запускает CellProfiler для подсчёта ядер и измерения флуоресценции. Анализирует 2D TIFF-снимки. CX Codex +1 464установок pycalphad Скилл pycalphad рассчитывает термодинамические фазовые равновесия сплавов по TDB-базам данных. Помогает моделировать составы и доли фаз при заданных температурах и давлении. CX Codex +1 463установок relion Запускает валидацию STAR-файлов, gold-standard рефайнмент частиц и постобработку независимых half-map в RELION 5.0.1. Подходит для single-particle крио-ЭМ проектов. CX Codex +1 463установок marine-carbonate-chemistry Скилл marine-carbonate-chemistry считает карбонатную систему морской воды через PyCO2SYS: pH, pCO2, насыщение арагонитом и кальцитом по паре измеренных параметров. CX Codex +1 ★ 58 036звёзд репо 13c-metabolic-flux Скилл 13c-metabolic-flux оценивает внутриклеточные метаболические потоки по данным изотопного мечения углеродом-13 в стационарном состоянии через mfapy и SciPy. CX Codex +1 ★ 58 036звёзд репо fictiv Скилл управляет Fictiv через браузер: загружает CAD-файлы, настраивает производство, получает расчёт и помогает оформить заказ. CX Codex +1 ★ 58 036звёзд репо primer-design Скилл primer-design подбирает и проверяет пары праймеров для PCR и RT-qPCR: Primer3, заданные условия реакции, поиск нецелевой амплификации по референсу. CX Codex +1 ★ 58 036звёзд репо

Спонсоры проекта

Компании, которые помогают держать аналитику открытой