К основному содержанию
скилл CX Codex

qiime2-amplicon — скилл для Claude Code: 16S ASV-анализ

Скилл qiime2-amplicon для Claude Code обрабатывает парные 16S-риды в QIIME 2, создавая ASV-таблицы и таксономию с историей преобразований.

MIT 465 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 qiime2-amplicon -a claude-code
Открыть на GitHub

Что делает qiime2-amplicon

Скилл автоматизирует полный pipeline парных 16S ампликонов: импорт демультиплексированных ридов, удаление 5′-праймеров через Cutadapt, денойзинг с DADA2, классификацию ASV и создание визуализаций. Требует QIIME 2 2026.7 с плагинами cutadapt, dada2, demux, feature-table, feature-classifier и taxa, а также совместимого классификатора в формате QZA.

Перед запуском нужно явно указать праймеры в той ориентации, как они в ридах, позиции усечения после удаления праймеров (параметры --trunc-f и --trunc-r), максимальную длину ампликона и убедиться, что перекрытие предсказанное ≥ 12 оснований. Валидация запускается отдельно, проверяет структуру манифеста и метаданных, профилирует первые 1000 пар на точные совпадения с праймерами. Низкие показатели совпадений указывают на неправильную ориентацию, адаптеры или уже обрезанные риды.

Результаты сохраняются с полной провенансой: .qza-артефакты, .qzv-визуализации, статистика обрезки, QC-отчёты и контрольные суммы. Скилл не подходит для уже обрезанных ридов без модификации и требует совместимой версии scikit-learn (2026.7 пины 1.7.1).

Какие задачи решает

  • Преобразовать парные 16S риды в таблицу ASV с таксономией
  • Проверить совместимость манифеста, праймеров и параметров перед полным прогоном
  • Классифицировать ASV с явно указанным эталонным классификатором
  • Сохранить и задокументировать всю историю преобразований артефактов
  • Оценить качество и глубину секвенирования по образцам

Примеры запросов агенту

  • Валидируй парные риды с праймерами GTGYCAGCMGCCGCGGTAA и GGACTACNVGGGTWTCTAAT, усечение на позициях 220 и 200, макс 300 оснований
  • Запусти полный pipeline QIIME 2 с классификатором silva-classifier.qza, 4 потока, результаты в папку run01
  • Проверь структуру манифеста и метаданные перед импортом в QIIME

Как установить qiime2-amplicon

1Через Skills CLI (Vercel)

npx skills add K-Dense-AI/scientific-agent-skills --skill qiime2-amplicon -a claude-code

2Вручную: положить файлы

~/.claude/skills/qiime2-amplicon/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/qiime2-amplicon/

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

Вопросы о qiime2-amplicon

Как установить qiime2-amplicon в Claude Code?

Выполни npx skills add K-Dense-AI/scientific-agent-skills --skill qiime2-amplicon -a claude-code, затем открой ~/.claude/skills/qiime2-amplicon/SKILL.md.

Что делает qiime2-amplicon?

Обрабатывает парные 16S ридов: удаляет праймеры, денойзит с DADA2, классифицирует ASV и создаёт таблицы с визуализациями. Проверяет параметры ещё до запуска QIIME.

Можно ли использовать скилл с уже обрезанными ридами?

Нет, скилл требует ридов с сохранёнными 5′-праймерами, так как Cutadapt их удаляет. Для предварительно обрезанных ридов нужна модификация workflow с пропуском этого шага.

Исходный текст

SKILL.md · MIT
---
name: qiime2-amplicon
description: Processes paired-end 16S amplicon reads into QIIME 2 ASVs and taxonomy with retained artifact provenance. Checks paired FASTQ manifests, primer orientation diagnostics, predicted post-trimming overlap, sample IDs, runtime versions and read retention, and guides selection of compatible taxonomic classifiers.
license: MIT
compatibility: Python 3.10+ for the standard-library validation helper; QIIME 2 2026.7 distribution with cutadapt, dada2, demux, feature-table, feature-classifier, taxa and types plugins for execution. Install through the official conda/container distribution, not PyPI. Requires a compatible trusted classifier and network for installation/reference downloads.
metadata:
  version: "1.1"
  skill-author: K-Dense Inc.
  upstream-version: "2026.7"
  last-reviewed: "2026-10-01"
---

# QIIME 2 paired-end 16S amplicons

Use for a demultiplexed, paired-end 16S assay with known primers, quality encoding, expected insert
length, and sample metadata. This bounded workflow imports reads, removes 5′ primers, denoises with
DADA2, classifies ASVs using an explicitly supplied classifier, and retains `.qza`/`.qzv` provenance.
Do not treat read counts as absolute cell counts or taxonomy assignments as strain identification.

## Establish the assay before running

- Confirm Phred+33, read orientation, primer sequences **as sequenced** in forward/reverse reads,
  and whether primers have already been removed. The bundled runner requires primers still
  present at the 5′ ends; it anchors Cutadapt matching and discards untrimmed pairs. Already
  trimmed reads need a direct import → DADA2 workflow with that omission recorded in provenance.
- Choose truncation positions from actual per-base quality and error profiles. `trunc-f/r` are
  positions **after primer removal**. The expected maximum insert length also excludes primers.
  Require `trunc_f + trunc_r - maximum_insert_length >= 12`; use a margin for length variation.
  The check predicts geometrical overlap, not successful biological merging.
- Choose a classifier whose reference database, taxonomic coverage, orientation and training
  approach fit the assay. Full-length classifiers are supported; primer-region-specific training
  is not mandatory. Match its scikit-learn version exactly to the installed environment
  (the official 2026.7 distribution pins 1.7.1). Record source URL, database version and checksum.
  QIIME's current data-resources page links externally hosted classifiers for 2026.4 and later;
  its older downloads are not automatically compatible. Do not automatically fetch
  an arbitrary “latest” classifier or reuse an incompatible serialized sklearn model. Load sklearn
  classifier artifacts only from trusted sources: QZA format validation does not make an
  untrusted serialized model safe.
- Include extraction blanks, PCR negatives, and a mock community where available. The runner
  rejects empty FASTQs; preserve empty-control IDs separately and report them rather than silently
  deleting control evidence. Assess contamination before ecological interpretation.

## Input files

Manifest is a **tab-separated** `PairedEndFastqManifestPhred33V2` file with exactly these headers:

```text
sample-id	forward-absolute-filepath	reverse-absolute-filepath
sample1	/data/sample1_R1.fastq.gz	/data/sample1_R2.fastq.gz
```

This is the helper's deliberately narrow manifest profile. Use actual tab characters, literal
absolute paths visible to the runtime (expand environment variables before calling this helper),
and one row per sample; no comment/directive rows or additional columns in this manifest.
Do not reverse-complement R2 files. Sample metadata is a tab-separated file with first column
`sample-id`, unique IDs matching the manifest, and optional `#q2:types` annotation. Include
covariates and biological replicate IDs needed downstream.
The helper checks metadata IDs and row structure; QIIME performs full metadata typing/directive
validation during execution. Metadata used by actions persists in artifact provenance, so use
de-identified biological replicate IDs.

## Execute

The helper lives at [scripts/amplicon_workflow.py](scripts/amplicon_workflow.py). Commands below
assume the skill directory is the working directory. First validate
without QIIME. These example primers and lengths are **illustrative**, not universal assay settings:

```bash
python scripts/amplicon_workflow.py validate \
  --manifest manifest.tsv --metadata sample-metadata.tsv \
  --primer-f GTGYCAGCMGCCGCGGTAA --primer-r GGACTACNVGGGTWTCTAAT \
  --trunc-f 220 --trunc-r 200 --amplicon-max 300
```

Then run in the QIIME 2 2026.7 environment with a compatible classifier. This study-specific
invocation is illustrative; choose lengths using a preceding quality inspection or pilot:

```bash
python scripts/amplicon_workflow.py run \
  --manifest manifest.tsv --metadata sample-metadata.tsv \
  --primer-f GTGYCAGCMGCCGCGGTAA --primer-r GGACTACNVGGGTWTCTAAT \
  --trunc-f 220 --trunc-r 200 --amplicon-max 300 \
  --classifier compatible-classifier.qza --threads 4 --output run01
```

`run` executes immediately, writes only to a fresh output directory, and stops on a failing QIIME
command. It streams through every paired FASTQ record to catch mismatched IDs/order/counts,
checks sequence/quality consistency and sample alignment, and profiles the first 1,000 read pairs
for exact IUPAC primer matches. Low exact-match rates are warnings: Cutadapt allows mismatches,
but a low rate can also indicate incorrect orientation, adapters, or already-trimmed data.
At least one complete pair per sample must meet nominal post-primer truncation lengths.
These length estimates subtract the stated primer lengths; they do not simulate Cutadapt indels
or quality filtering, and do not establish that any pair will actually merge.

The runner uses `--output-dir` for plugin methods with evolving output sets, preserving Cutadapt
statistics and DADA2 base-transition artifacts when supplied by the release. The 2026.7 table
summary also produces `feature-frequencies.qza` and `sample-frequencies.qza` beside `table.qzv`.
It records
`qiime-info.txt`, `commands.json`, `workflow.log`, input QC, classifier checksum and output artifact
checksums. It runs maximum-level QIIME artifact validation before reporting completion.
See [references/runtime-and-interpretation.md](references/runtime-and-interpretation.md) for the
release-pinned runtime, actual validation scope, restart handling and scientific interpretation.

## Inspect results before analysis

Open `trimmed.qzv`, `table.qzv`, and `taxa.qzv` in a local QIIME visualization environment or
[QIIME 2 View](https://view.qiime2.org/) as appropriate for the data. Examine quality/length profiles,
per-sample depth and dominant taxa. Retain original artifacts rather than replacing them with
CSV/BIOM exports: exports do not retain the original provenance graph.

`retention-qc.json` compares raw pairs with DADA2 input and non-chimeric reads, so trimming losses
remain visible. A <50% retained fraction is a review heuristic, not a universal rejection rule.
Inspect the individual stages in `stats/stats.tsv`: filtering loss suggests quality/expected-error
settings; loss after forward denoising includes reverse-denoising and merging failures; chimera loss warrants reviewing library
quality and parameters. Investigate missing/zero samples and control behavior before rarefaction,
diversity, or differential abundance. Those downstream analyses need a separate design decision;
this skill does not choose a rarefaction depth automatically.
The standalone `retention stats.tsv` subcommand knows only DADA2 input counts: it reports
`raw_pairs: null` and names that denominator explicitly. It supports merged-only paired DADA2
statistics, as produced by this runner; it rejects retained-unmerged/concatenated-read statistics.

## Primary references

- [Current installation entry point](https://library.qiime2.org/quickstart/qiime2) and
  [amplicon documentation](https://amplicon-docs.qiime2.org/en/latest/).
- [Import formats](https://amplicon-docs.qiime2.org/en/latest/how-to-guides/how-to-import/).
- [Cutadapt actions](https://amplicon-docs.qiime2.org/en/latest/references/plugins/cutadapt/) and
  [DADA2 actions](https://amplicon-docs.qiime2.org/en/latest/references/plugins/dada2/).
- [Classifier data resources](https://library.qiime2.org/data-resources).

The rolling documentation may describe a development release. Inspect `qiime info` and action
`--help` in the exact installed environment before adapting the pinned runner to a later release.

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

Похожие скиллы

Все скиллы по теме «Наука и исследования» →
ngs-amplicon-microbiome официальный OpenAI Скилл ngs-amplicon-microbiome для анализа маркерных генов из ампликонных FASTQ: 16S, 18S, ITS, COI. Запускает пайплайны nf-core/ampliseq, QIIME2 и DADA2. CX Codex GP ChatGPT +1 3установок tooluniverse-microbiome-research mims-harvard Скилл tooluniverse-microbiome-research для Claude Code ищет исследования микробиома, состав образцов, данные о штаммах и заболеваниях. Используется для обзора литературы и вопросов о выращивании микроорганизмов. CX Codex +1 155установок mgnify-skill официальный OpenAI Скилл mgnify-skill для Codex запрашивает данные MGnify о микробиомных исследованиях, образцах и биомах. По запросу он готовит краткую сводку. CX Codex GP ChatGPT +1 14установок pubmed-database google-deepmind Скилл pubmed-database даёт агенту доступ к PubMed и PubMed Central: искать статьи, вытаскивать абстракты и полный текст, связывать публикации с биологическими базами. CX Codex +1 3 000установок target-prioritization Agents365-ai Скилл target-prioritization собирает досье по списку генов-кандидатов из DE-анализа: тянет данные из UniProt, OpenTargets, PubMed, HPA и ChEMBL и пересортировывает гены по составному баллу. CX Codex +1 2 900установок scvi-tools официальный anthropics Скилл помогает запускать вероятностные модели scvi-tools для анализа единичных клеток. Направляет выбор архитектуры и автоматизирует пайплайн обработки AnnData. CX Codex +1 2 500установок

Из того же набора176

Весь набор →
cantera Рассчитывает гомогенные реакторы в Cantera и определяет задержку воспламенения с проверкой баланса энергии. Моделирует кинетику горения идеального газа. CX Codex +1 465установок nmrglue Скилл nmrglue для Claude Code обрабатывает одномерные NMR-сигналы в фазированные спектры, пики и интегралы регионов. Калибрует и воспроизводимо обрабатывает сырые FID на Python 3.12+, NumPy и SciPy. CX Codex +1 465установок tellurium Скилл запускает симуляцию кинетических моделей биохимических реакций из SBML или Antimony через Tellurium и экспортирует COMBINE-архивы. CX Codex +1 465установок mageck Скилл mageck считает риды из FASTQ и матрицы гайдов, проверяет библиотеки, запускает QC реплик и выдаёт рейтинг генов с FDR для пулированных CRISPR-скринов. 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 nwb-conversion 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. CX Codex +1 462установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой