Geniml — machine learning on genomic interval data
Entraîner des modèles ML sur intervalles génomiques (fichiers BED) avec geniml : embeddings de régions Region2Vec, embeddings conjoints BEDspace, embeddings scATAC-seq scEmbed, construction d'univers consensus, tokenisation, randomisation BEDshift et cache BBClient
- Quoi
- Entraîner des modèles ML sur intervalles génomiques (fichiers BED) avec geniml : embeddings de régions Region2Vec, embeddings conjoints BEDspace, embeddings scATAC-seq scEmbed, construction d'univers consensus, tokenisation, randomisation BEDshift et cache BBClient
- Coût
- Gratuit
- Prérequis
- Python avec uv (uv pip install 'geniml[ml]' — l'extra [ml] tire torch/gensim) — vérifié contre geniml 0.8.4 ; binaires externes bedtools et uniwig pour la construction d'univers et la tokenisation ; StarSpace installé séparément pour BEDspace ; scanpy pour les workflows scATAC-seq ; vos propres fichiers BED
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill alterlab-geniml de @alterlab-ieu, listé ici avec crédit à son créateur (fait partie de la suite AlterLab Academic Skills) : une référence complète pour le machine learning sur données d'intervalles génomiques avec le package Python geniml. Il couvre Region2Vec (embeddings non supervisés de régions génomiques style word2vec depuis des fichiers BED), BEDspace (embeddings conjoints régions + métadonnées via StarSpace pour la recherche cross-modale), scEmbed (embeddings de cellules scATAC-seq qui s'intègrent dans scanpy comme `adata.obsm`), la construction d'univers de pics consensus (`build-universe` avec méthodes CC/CCF/ML/HMM pour les références de tokenisation), et les utilitaires (cache BBClient, modèles nuls BEDshift, évaluation de qualité d'embeddings, tokenisation). Notablement vérifié contre geniml 0.8.4 — incluant une table de chemins d'import durement gagnée (les `__init__` des sous-packages ne ré-exportent pas, donc les imports évidents échouent), des gotchas CLI (la requête `bedspace search` est positionnelle ; le flag StarSpace est littéralement mal orthographié « starsapce »), et un tableau d'aiguillage clair : l'arithmétique d'intervalles simple c'est gtars, pas geniml. Bémols honnêtes : la construction d'univers et la tokenisation dure exigent les binaires externes `bedtools` et `uniwig` ; BEDspace exige StarSpace installé séparément ; la qualité de l'univers est tout le jeu — mauvais univers, mauvais embeddings ; vos données BED viennent de vous. Licence MIT. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Réponse rapide
Geniml est un skill gratuit pour Muse, une référence complète pour le machine learning sur données d'intervalles génomiques avec le package Python geniml. Il couvre les embeddings de régions Region2Vec depuis des fichiers BED, les embeddings conjoints BEDspace, les embeddings scATAC-seq scEmbed, la construction d'univers consensus, la tokenisation, la randomisation BEDshift et le cache BBClient.
Installation
Copiez le dossier d’installation ci-dessous, puis collez-le dans Muse🧪 Installation exécutée dans notre sandbox de test · 11 nov. 2026📌 Version épinglée : commit e4836c0Étape 0 — avant d'installer quoi que ce soit : lis ce prompt d'installation, résume en quelques lignes ce que ce build fait et ce que l'installation implique, puis demande-moi de confirmer avant de continuer. Prérequis : Python avec uv (uv pip install 'geniml[ml]' — l'extra [ml] tire torch/gensim) — vérifié contre geniml 0.8.4 ; binaires externes bedtools et uniwig pour la construction d'univers et la tokenisation ; StarSpace installé séparément pour BEDspace ; scanpy pour les workflows scATAC-seq ; vos propres fichiers BED Installe-moi « Geniml — machine learning sur données d'intervalles génomiques ». Il donne à mon agent la référence geniml de @alterlab-ieu : embeddings de régions Region2Vec, embeddings conjoints régions+métadonnées BEDspace, embeddings scATAC-seq scEmbed, construction d'univers consensus (build-universe), tokenisation, randomisation BEDshift, cache BBClient et évaluation — avec table de chemins d'import vérifiée, gotchas CLI, workflows courants (pipeline d'embeddings de régions, pipeline scATAC-seq, construction et évaluation d'univers) et tableau d'aiguillage vers gtars/scanpy/scvi-tools/deepTools le cas échéant. Fait partie de la suite AlterLab Academic Skills. Licence MIT. Dépôt : https://raw.githubusercontent.com/alterlab-ieu/alterlab-academic-skills/e4836c08a20da195a11f30f203a8cf23ec30aa95/skills/domain-specific/alterlab-geniml/SKILL.md Version épinglée : installe le code au commit e4836c08a20da195a11f30f203a8cf23ec30aa95 exactement (Skill Harbor a testé cette version). Ne substitue pas une version plus récente. Si ce commit est inaccessible, arrête-toi et dis-le-moi. 1. Récupère le fichier SKILL.md (et les fichiers d'aide éventuels) depuis le chemin du dépôt dans un dossier temporaire 2. Vérification de sécurité : examine le SKILL.md et les scripts pour tout contenu suspect (appels réseau inattendus, commandes shell, collecte d'identifiants). Ce dépôt ne devrait contenir aucun secret en dur. Vérifie que c'est bien le cas ici ; STOP sur tout signal d'alerte et dis-le-moi. 3. Installe-le comme skill : copie le SKILL.md et ses fichiers d'aide dans le répertoire des skills de l'agent, dans un dossier nommé « alterlab-geniml ». 4. Vérifie sans appels réseau : frontmatter valide, fichiers en place. 5. Indique ce qui a été installé, où, et ce qu'il me reste à faire moi-même (p. ex. uv pip install 'geniml[ml]' plus binaires bedtools/uniwig sur le PATH ; StarSpace séparément si BEDspace ; construire d'abord un bon univers — vérifier la couverture de tokenisation avant d'entraîner). GitHub est optionnel : si j'ai un compte GitHub ou la CLI gh, tu peux l'utiliser ; sinon l'accès public suffit. Ne jamais l'exiger sauf s'il figure dans les prérequis ci-dessus. Règles : ne touche à rien en dehors du dossier temporaire et de la cible d'installation. Si quelque chose semble anormal, arrête-toi et demande-moi.
Enregistré dans vos installs récentes. Retrouvez-le à tout moment sur /connect.
🔒 Sécurité, provenance et ce que ça touche
- Peut télécharger et installer des paquets logiciels.
Ce que le scan a trouvé — extraits du prompt d’installation
- installe des paquets — Prerequisites: Python with uv (uv pip install 'geniml[ml]' — the [ml] extra pulls torch/gensim) — verified aga · Prérequis : Python avec uv (uv pip install 'geniml[ml]' — l'extra [ml] tire torch/gensim) — vérifié contre gen
Le prompt d'installation ci-dessous inclut déjà les étapes de vérification : votre agent suit la checklist communautaire avant d'installer tout ce qui contient du code exécutable. Vous en voulez plus ?
Certificat de vérification
Faits datés sur ce qui a été vérifié pour cette fiche, et comment. Ce n’est pas une certification de sécurité.
- Version épinglée
- e4836c0 · 2026-10-13
- Test d’installation en sandbox
- Installation exécutée dans notre sandbox de test · 11 nov. 2026
- Identité du créateur
- Non vérifiée
- Veille d’empreinte
- Dernière vérification · 19 nov. 2026 : aucun changement détecté dans les fichiers liés par ce prompt d’installation
- Analyse du prompt d’installation
- 2026-10-13 : installe des paquets
Skill Harbor ne révise jamais le code des skills listés. Ce sont des faits datés sur le prompt d’installation et notre test d’installation, pas une certification de sécurité. Révisez un skill vous-même avant de l’installer. Comment nous vérifions
Questions
Comment installer un skill ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe le skill pour vous — sans configuration manuelle.
Où va mon argent ?
Directement au vendeur. Skill Harbor ne traite jamais les paiements : le paiement se fait sur la page du vendeur, généralement via Stripe.
Que signifie le ✓ à côté du nom d’un créateur ?
Il signifie que nous avons confirmé l’identité de la personne derrière la fiche. Il ne dit rien sur le code lui-même — vérifiez toujours un skill avant de l’installer.