tooluniverse-functional-genomics-screens — скилл для Claude Code
Скилл tooluniverse-functional-genomics-screens для приоритизации хитов из генетических скринов (CRISPR-KO, CRISPRi, shRNA). Интегрирует данные о эссенциальности генов, ограничениях эволюции, путях белков и клинических находках.
Apache-2.0 225 установок ★ 1 798 обновлён 2026-10-24
npx skills add mims-harvard/ToolUniverse --skill tooluniverse-functional-genomics-screens -a claude-codeЧто делает tooluniverse-functional-genomics-screens
Скилл строит полный воркфлоу анализа результатов функциональных скринов. На входе — список генов, тип скрина и модель клеток; на выходе — ранжированный список мишеней с оценкой по шести критериям: селективность эссенциальности, сходимость в путях, возможность фармакологической модуляции, клинические данные, ограничение эволюции, публикации.
Процесс разбит на шесть фаз. Скилл проверяет каждый ген в DepMap (зависимость от клеточной линии), gnomAD (ограничения эволюции) и UniProt (функция). Затем ищет обогащённые пути в Reactome и STRING, собирает информацию о том, какие препараты уже нацелены на каждый ген (DGIdb), и берёт клинические данные из CIViC и COSMIC. Без DepMap по клеточным линиям скилл падает на локальный скрипт из другого ToolUniverse-скилла (tooluniverse-cell-line-profiling).
Есть встроенная защита: скилл требует, чтобы вы проверяли факты в базах данных, а не гадали. Для больших списков (>500 генов) сначала обогащение путей на всём наборе, потом детальный анализ топ-50. Если gnomAD перегружен, скилл повторяет запрос или продолжает без этих данных.
Какие задачи решает
- Отфильтровать панэссенциальные гены и найти селективные мишени в скрине
- Проранжировать хиты по вероятности быть реальными мишенями лекарств
- Найти наборы генов, работающие в одних путях, и понять функциональный контекст
- Собрать с нескольких баз данных (DepMap, gnomAD, DGIdb, CIViC) доказательства для одного гена
- Привязать список генов к клиническим находкам и существующим препаратам
Примеры запросов агенту
- Проанализируй хиты из CRISPR-KO скрина рака лёгкого: TP53, KRAS, EGFR, STK11
- Возьми 200 генов из шRNA-скрина, найди обогащённые пути и отрежь панэссенциальные
- Для CRISPRi-скрина в клетках HeLa проранжируй топ-30 хитов по селективности и возможности таргетирования
Как установить tooluniverse-functional-genomics-screens
1Через Skills CLI (Vercel)
npx skills add mims-harvard/ToolUniverse --skill tooluniverse-functional-genomics-screens -a claude-code2Вручную: положить файлы
~/.claude/skills/tooluniverse-functional-genomics-screens/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/tooluniverse-functional-genomics-screens/
1Через Skills CLI (Vercel)
npx skills add mims-harvard/ToolUniverse --skill tooluniverse-functional-genomics-screens -a codex2Вручную: положить файлы
.agents/skills/tooluniverse-functional-genomics-screens/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add mims-harvard/ToolUniverse --skill tooluniverse-functional-genomics-screens -a cursor2Вручную: положить файлы
.cursor/skills/tooluniverse-functional-genomics-screens/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install mims-harvard/ToolUniverse skills/tooluniverse-functional-genomics-screens2Вручную: положить файлы
.github/skills/tooluniverse-functional-genomics-screens/SKILL.md1Через Skills CLI (Vercel)
npx skills add mims-harvard/ToolUniverse --skill tooluniverse-functional-genomics-screens -a gemini-cli2Командой платформы
gemini skills install https://github.com/mims-harvard/ToolUniverse --path skills/tooluniverse-functional-genomics-screensВручную: положить файлы
.devin/skills/tooluniverse-functional-genomics-screens/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Через Skills CLI (Vercel)
npx skills add mims-harvard/ToolUniverse --skill tooluniverse-functional-genomics-screens -a opencodeClaude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы о tooluniverse-functional-genomics-screens
Как установить скилл tooluniverse-functional-genomics-screens в Claude Code?
Выполни в терминале: npx skills add mims-harvard/ToolUniverse --skill tooluniverse-functional-genomics-screens -a claude-code. Потом скилл загрузится в ~/.claude/skills/tooluniverse-functional-genomics-screens/SKILL.md.
Что делает скилл tooluniverse-functional-genomics-screens?
Берёт список генов из генетического скрина и расчитывает для каждого балл по шести параметрам: селективность эссенциальности, обогащение в путях, наличие препаратов, клинические данные, ограничение эволюции и публикации. Результат — ранжированный список мишеней для дальнейшей разработки или валидации.
Какие базы данных интегрирует скилл?
DepMap (эссенциальность генов по клеточным линиям), gnomAD (ограничения эволюции), Reactome и STRING (пути и взаимодействия), DGIdb (препараты и мишени), CIViC и COSMIC (клинические находки и мутации), UniProt (функции генов).
Исходный текст
SKILL.md · Apache-2.0
--- name: tooluniverse-functional-genomics-screens description: Interpret hits from CRISPR-KO/CRISPRi/shRNA screens by integrating DepMap essentiality, gnomAD constraint scores, pathway context (Reactome, STRING), druggability (DGIdb), and clinical evidence (CIViC, COSMIC). Use for screen-hit prioritization, essentiality ranking, and turning a list of screen hits into a prioritized target shortlist. disable-model-invocation: true --- # Functional Genomics Screen Interpretation Pipeline for validating and prioritizing hits from genetic screens (CRISPR-KO, CRISPRi, shRNA) by integrating essentiality (DepMap), constraint (gnomAD), pathways (Reactome, STRING), druggability (DGIdb), and clinical evidence (CIViC, COSMIC). **Guiding principles**: 1. **Hits are hypotheses** -- screen results contain false positives; validate through orthogonal evidence 2. **Selectivity matters** -- pan-essential genes are poor drug targets; context-specific essentiality is high-value 3. **Pathway over gene** -- enriched pathways are more robust than individual hits 4. **Druggability is practical** -- prioritize chemically modulable targets 5. **English-first queries** -- use English gene names in tool calls ## LOOK UP, DON'T GUESS When uncertain about any scientific fact, SEARCH databases first. --- ## COMPUTE, DON'T DESCRIBE When analysis requires computation (statistics, data processing, scoring, enrichment), write and run Python code via Bash. Don't describe what you would do — execute it and report actual results. Use ToolUniverse tools to retrieve data, then Python (pandas, scipy, statsmodels, matplotlib) to analyze it. ## Workflow ``` Phase 0: Input Processing → gene list, screen type, cell line, disease context Phase 1: Hit Validation → DepMap dependency, gnomAD constraint, UniProt function Phase 2: Pathway & Network → Reactome enrichment, STRING network, functional clusters Phase 3: Druggability → DGIdb interactions, druggable categories, PharmacoDB Phase 4: Clinical Evidence → CIViC, COSMIC mutations Phase 5: Literature → PubMed for key hits Phase 6: Prioritized Report → ranked target list with multi-dimensional scoring ``` --- ## Phase Details ### Phase 1: Hit Validation **Tools**: - `DepMap_get_gene_dependencies(gene_symbol=...)` -- returns gene metadata only (NOT per-cell-line scores) - `DepMap_search_cell_lines(query=...)` -- cell line metadata - `gnomad_get_gene_constraints(gene_symbol=...)` -- pLI, LOEUF (may return "Service overloaded") - `UniProt_get_function_by_accession(accession=...)` -- function summary **Classification**: Pan-essential (>90% lines), Selectively essential (specific lineages), Context-specific (screen model only). Chronos < -0.5 = likely essential, < -1.0 = strongly essential. **DepMap per-cell-line Chronos scores**: `DepMap_get_gene_dependencies` returns metadata only. For the actual per-cell-line scores, use the bundled script in the cell-line-profiling skill — `tooluniverse-cell-line-profiling/scripts/depmap_gene_dependency.py` (downloads the current DepMap Public CRISPRGeneEffect.csv once, cached; queries by `gene` or `cell-line`): ```bash python depmap_gene_dependency.py gene KRAS --lineage Lung --top 20 # most-dependent lines python depmap_gene_dependency.py cell-line A375 --top 25 # genes the line needs ``` Chronos < -0.5 ≈ dependency, < -1.0 strongly essential. Fallback if you can't run it: gnomAD constraint + `PubMed_search_articles(query="[gene] CRISPR screen [cancer]")`. ### Phase 2: Pathway & Network - `ReactomeAnalysis_pathway_enrichment(identifiers="TP53 BRCA1 EGFR")` -- space-separated string - `STRING_get_network(identifiers="GENE1\rGENE2\rGENE3", species=9606)` -- carriage-return separated - `STRING_functional_enrichment(identifiers=..., species=9606)` -- GO/KEGG enrichment ### Phase 3: Druggability - `DGIdb_get_drug_gene_interactions(genes=["EGFR","BRAF"])` -- drug-gene interactions - `DGIdb_get_gene_druggability(genes=[...])` -- categories (kinase, GPCR, etc.) - For high-priority hits, also search `search_clinical_trials` and PubMed for novel inhibitors not yet in DGIdb. ### Phase 4: Clinical Evidence - `civic_search_evidence_items(molecular_profile=gene)` -- NOT `query` - `COSMIC_get_mutations_by_gene(gene_name=...)` -- somatic mutation frequency ### Phase 6: Prioritized Report **Scoring (0-18)**: | Criterion | Score 3 | Score 0 | |-----------|---------|---------| | Selective essentiality | <-0.5 in disease AND >-0.2 elsewhere | >-0.2 (not essential) | | Pathway convergence | 3+ hits same pathway | Isolated hit | | Druggability | Approved drug exists | Not druggable | | Clinical evidence | CIViC therapeutic | No clinical data | | Constraint | pLI >0.9 | No data | | Literature | Multiple validation studies | No publications | **Tiers**: T1 (15-18) high-confidence, T2 (10-14) promising, T3 (5-9) speculative, T4 (<5) likely false positive. --- ## Edge Cases - **gnomAD overloaded**: Retry once, proceed without, note gap - **Gene not in DepMap**: Fall back to gnomAD + UniProt - **Large hit lists (>500)**: Pathway enrichment on full list; per-gene analysis on top 50 - **Non-cancer screens**: DepMap less informative; weight constraint/pathway more - **shRNA vs CRISPR**: Higher validation bar for shRNA (off-target effects) ## Limitations - DepMap is cancer-centric (~1000 cancer lines) - No raw screen analysis (use MAGeCK/BAGEL upstream) - STRING interactions are associations, not causal
© mims-harvard · Apache-2.0 · mims-harvard/ToolUniverse