geniml — genomic interval machine learning on BED files (Region2Vec, BEDspace, scEmbed, consensus peaks)
Package Python pour le ML sur données d'intervalles génomiques — embeddings de régions Region2Vec, embeddings joints régions-métadonnées BEDspace, embeddings scATAC-seq scEmbed, construction d'univers de pics consensus, et utilitaires (BBClient, BEDshift, tokenisation, évaluation)
- Quoi
- Package Python pour le ML sur données d'intervalles génomiques — embeddings de régions Region2Vec, embeddings joints régions-métadonnées BEDspace, embeddings scATAC-seq scEmbed, construction d'univers de pics consensus, et utilitaires (BBClient, BEDshift, tokenisation, évaluation)
- Coût
- Gratuit
- Prérequis
- des données d'intervalles génomiques (fichiers BED) et Python avec uv — le skill est un guide de workflow pour le package geniml, pas le logiciel lui-même
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill geniml de @davila7 : un guide pratique du package Python geniml (databio) pour l'apprentissage automatique sur données d'intervalles génomiques issues de fichiers BED. Cinq capacités : Region2Vec — embeddings non supervisés de régions génomiques façon word2vec pour l'analyse de similarité et le ML en aval ; BEDspace — embeddings joints StarSpace des ensembles de régions et des métadonnées pour des requêtes cross-modales région↔label ; scEmbed — embeddings de cellules scATAC-seq s'intégrant aux workflows scanpy ; construction d'univers de pics consensus — ensembles de pics de référence via les méthodes statistiques CC, CCF, ML ou HMM ; et utilitaires — cache BED BBClient, randomisation BEDshift, métriques d'évaluation d'embeddings, aides à la tokenisation, et recherche neurale Text2BedNN. Inclut des pipelines complets (pipeline d'embeddings de régions, analyse scATAC-seq, construction/évaluation d'univers), une référence CLI, un guide de choix d'outils, des bonnes pratiques (qualité de l'univers, couverture de tokenisation, reproductibilité), des considérations de performance, et un dépannage. Bémols honnêtes : skill scientifique de niche — attend des fichiers BED, des univers de référence, et parfois du calcul lourd (PyTorch, StarSpace) ; les snippets d'installation utilisent uv ; partie de l'écosystème BEDbase (complémentaire du skill gtars). MIT selon le manifest de découverte (le frontmatter du skill n'énonce aucune licence — le manifest fait foi). 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, de @davila7, et un guide du package Python geniml pour l'apprentissage automatique sur des intervalles génomiques issus de fichiers BED. Il couvre les embeddings Region2Vec, BEDspace et scEmbed, la construction d'univers de pics consensus et des utilitaires comme le cache BED, la randomisation, l'évaluation, la tokenisation et la recherche neurale.
Installation
Copiez le dossier d’installation ci-dessous, puis collez-le dans Muse🧪 Installation exécutée dans notre sandbox de test · 18 nov. 2026📌 Version épinglée : commit 46b4d8bÉtape 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 : des données d'intervalles génomiques (fichiers BED) et Python avec uv — le skill est un guide de workflow pour le package geniml, pas le logiciel lui-même Installe-moi « geniml — apprentissage automatique sur intervalles génomiques ». Il donne à mon agent le workflow geniml de @davila7 : entraîner des embeddings de régions Region2Vec, construire des embeddings joints régions-métadonnées BEDspace, lancer l'analyse scATAC-seq scEmbed avec scanpy, construire des univers de pics consensus (CC, CCF, ML, HMM), et utiliser les utilitaires (cache BBClient, BEDshift, tokenisation, évaluation) — avec pipelines complets, référence CLI, guide de choix d'outils, bonnes pratiques et dépannage. Licence MIT (selon le manifest de découverte ; le frontmatter du skill n'énonce aucune licence). Dépôt : https://raw.githubusercontent.com/davila7/claude-code-templates/46b4d8b1c051e9fd0f8fdd739b15f7f5e8942608/cli-tool/components/skills/scientific/geniml/SKILL.md Version épinglée : installe le code au commit 46b4d8b1c051e9fd0f8fdd739b15f7f5e8942608 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 « 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. installer geniml via uv moi-même, fournir mes fichiers BED et un univers de référence ; rien d'autre — c'est une méthodologie). 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
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
- 46b4d8b · 2026-10-13
- Test d’installation en sandbox
- Installation exécutée dans notre sandbox de test · 18 nov. 2026 · Observé pendant le test d’installation: registry.npmjs.org
- 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 : Aucune commande, appel réseau, paquet, écriture de fichier ni clé API détecté.
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.