Codage Positionnel pour Séquences Spectrales

Intègre des informations séquentielles dans les paires m/z-intensité du spectre de masse pour l'interprétation MS/MS basée sur les transformeurs dans IDSL_MINT.

déclencheurs:preparing mass spectrum input tensorstransformer encoder layers in IDSL_MINTpositional encoding for spectral sequences

GitHub SKILL.md

Ce qu'il fait

Cette compétence implémente le codage positionnel pour intégrer des informations ordinales et séquentielles dans les données de spectre de masse. Cela permet aux couches de self-attention des transformeurs de distinguer la position des pics dans un spectre, ce qui est crucial pour une interprétation précise du MS/MS.

Quand l'utiliser

Utilisez cette compétence spécifiquement lors de la préparation des tenseurs d'entrée de spectre de masse pour les couches d'encodeur de transformeurs au sein du framework IDSL_MINT. Elle doit être appliquée après la vectorisation des caractéristiques m/z et d'intensité, mais avant les blocs de self-attention multi-têtes.

Ce qui est inclus

Instructions : Formulation mathématique précise pour les codages positionnels sinusoïdaux (PE) suivant le paradigme 'Attention is All You Need'.
Implémentation : Un exemple basé sur PyTorch pour calculer et diffuser la matrice de codage à travers les lots (batches).
Évaluation : Signaux spécifiques pour valider les formes des tenseurs, la stabilité numérique (absence de NaNs) et les motifs sinusoïdaux.

Agents compatibles

Agents d'IA scientifique équipés de PyTorch et RDKit, spécifiquement ceux ciblant la recherche en bio-informatique, chemo-informatique et métabolomique.

Étiquettes

#metabolomics #mass-spectrometry #transformers #pytorch #bioinformatics #deep-learning

Pas encore audité

Cette compétence n'a pas encore été examinée par notre pipeline d'audit automatisé.

Informations

Dépôt: asb-skill-collections
Étoiles: 14

Plus de asb-skill-collections

Inspecteur de Workflow GitHub Actions

Vérifiez et reproduisez localement les workflows CI de GitHub Actions pour valider le statut des badges et l'intégrité du build.

Annotation de Séquence d'Injection

Identifie et valide l'espacement des échantillons QCpool dans les exports de métabolomique/lipidomique Sciex Multiquant.

Chargeur de poids pré-entraînés PyTorch

Chargez des checkpoints de modèles PyTorch pré-entraînés pour classer des molécules candidates ou analyser des spectres en métabolomique sans réentraînement.

Compétences similaires

Seq Wrangler

Sequence data QC, trimming, alignment, and BAM processing pipeline helper — wraps FastQC, fastp/Trimmomatic, BWA/Bowtie2/Minimap2, and SAMtools for automated re

ToolUniverse Gateway

Unified agent gateway to 1000+ scientific tools (bioinformatics, drug discovery, genomics) via Harvard's ToolUniverse, returning JSON for downstream workflows.

MatchMS (mass spectrometry processing)

Mass spectrometry data processing: import/export mzML/MGF/MSP, filter and normalize spectra, compute spectral similarity (cosine/modified cosine), and build rep

matchms — Mass Spectrometry Processing

Python library skill for importing, filtering, and comparing mass spectra (mzML/MGF/MSP); builds reproducible preprocessing pipelines and computes spectral simi

MatchMS — Mass Spectrometry Utilities

Import, process and compare mass spectrometry spectra (mzML/MGF/MSP) with filters, similarity metrics and reproducible pipelines for metabolomics workflows.

KEGG Pathway Enrichment (clusterProfiler)

Run KEGG pathway and module enrichment using clusterProfiler (enrichKEGG/enrichMKEGG) to find metabolic and signaling pathways over-represented in a gene list.

Network Toxicology & Docking Research Planner

Generates four-tier network toxicology + molecular docking study designs (Lite → Publication+) with step-by-step workflows, validation strategies, figure plans,

Bizard — Biomedical Visualization Atlas

A comprehensive atlas of biomedical data visualization tutorials and examples (R/Python/Julia) that provides reproducible code and guidance for plots used in bi