Synthèse automatique
Fournit un enchaînement de commandes QIIME2 pour analyser des données d'amplicon 16S/ITS, de l'import des FASTQ jusqu'aux analyses de diversité alpha et bêta.
Points forts
- Couvre le pipeline complet : import, déréplication DADA2 ou Deblur, taxonomie, arbre phylogénétique et diversité
- Propose deux déréplicateurs alternatifs (DADA2 et Deblur) avec les paramètres de troncature et de filtrage qualité
- S'appuie sur les artefacts .qza/.qzv de QIIME2, ce qui assure une traçabilité reproductible des étapes
- Inclut les commandes de visualisation (demux summarize, taxa barplot, tests de significativité)
Limites
- Suppose que QIIME2 est installé et que l'utilisateur connaît les manifestes, artefacts et paramètres de troncature
- Les valeurs de troncature et de profondeur d'échantillonnage (sampling-depth 10000) sont des exemples à adapter aux données réelles
- Le fichier SKILL.md est tronqué après l'exemple beta-group-significance, donc la fin du workflow n'est pas détaillée
À utiliser lorsque vous préférez une analyse d'amplicon en ligne de commande dans l'écosystème QIIME2 plutôt qu'un workflow R DADA2/phyloseq.
À éviter si vous n'avez pas d'installation QIIME2 fonctionnelle ou si votre analyse nécessite des méthodes statistiques avancées propres à R/phyloseq.
Analyse de sécurité
SûrThe skill contains standard QIIME2 bioinformatics commands for importing FASTQ data, denoising, taxonomy assignment, phylogeny, diversity, and differential abundance. It does not instruct destructive filesystem operations, secret exfiltration, obfuscated payload execution, or safety disabling. Although it declares run_shell_command, all shell usage is legitimate domain-specific analysis.
Aucun point d'attention détecté
Comment cette analyse est faiteExemples
I have paired-end 16S FASTQ files and a manifest.tsv. Run a QIIME2 workflow: import the data, denoise with DADA2, assign taxonomy with the SILVA 138 classifier, and build a rooted tree.Using my QIIME2 table.qza and rooted-tree.qza, compute core phylogenetic metrics at a sampling depth of 10000 and test Shannon diversity significance across my Group metadata column.Instead of DADA2, denoise my demultiplexed QIIME2 data with Deblur at trim length 250 after quality filtering, and give me the resulting table and representative sequences.name: bio-microbiome-qiime2-workflow description: QIIME2 command-line workflow for 16S/ITS amplicon analysis. Alternative to DADA2/phyloseq R workflow with built-in provenance tracking. Use when preferring CLI over R, needing reproducible provenance, or working within QIIME2 ecosystem. tool_type: cli primary_tool: qiime2 measurable_outcome: Execute skill workflow successfully with valid output within 15 minutes. allowed-tools:
- read_file
- run_shell_command
QIIME2 Amplicon Workflow
Import Data
# Import paired-end FASTQ with manifest
qiime tools import \
--type 'SampleData[PairedEndSequencesWithQuality]' \
--input-path manifest.tsv \
--output-path demux.qza \
--input-format PairedEndFastqManifestPhred33V2
# View demultiplexed summary
qiime demux summarize \
--i-data demux.qza \
--o-visualization demux.qzv
Denoise with DADA2
# DADA2 denoising (creates ASV table + representative sequences)
qiime dada2 denoise-paired \
--i-demultiplexed-seqs demux.qza \
--p-trunc-len-f 240 \
--p-trunc-len-r 160 \
--p-trim-left-f 0 \
--p-trim-left-r 0 \
--p-max-ee-f 2 \
--p-max-ee-r 2 \
--p-n-threads 0 \
--o-table table.qza \
--o-representative-sequences rep-seqs.qza \
--o-denoising-stats denoising-stats.qza
# View denoising stats
qiime metadata tabulate \
--m-input-file denoising-stats.qza \
--o-visualization denoising-stats.qzv
Alternative: Deblur Denoising
# Quality filter first
qiime quality-filter q-score \
--i-demux demux.qza \
--o-filtered-sequences demux-filtered.qza \
--o-filter-stats filter-stats.qza
# Deblur denoise
qiime deblur denoise-16S \
--i-demultiplexed-seqs demux-filtered.qza \
--p-trim-length 250 \
--p-sample-stats \
--o-representative-sequences rep-seqs-deblur.qza \
--o-table table-deblur.qza \
--o-stats deblur-stats.qza
Taxonomy Assignment
# Download pre-trained classifier (SILVA 138)
# wget https://data.qiime2.org/2024.5/common/silva-138-99-nb-classifier.qza
# Classify with sklearn naive Bayes
qiime feature-classifier classify-sklearn \
--i-classifier silva-138-99-nb-classifier.qza \
--i-reads rep-seqs.qza \
--o-classification taxonomy.qza
# Visualize taxonomy
qiime metadata tabulate \
--m-input-file taxonomy.qza \
--o-visualization taxonomy.qzv
# Taxonomic barplot
qiime taxa barplot \
--i-table table.qza \
--i-taxonomy taxonomy.qza \
--m-metadata-file metadata.tsv \
--o-visualization taxa-barplot.qzv
Phylogenetic Tree
# Build phylogeny with MAFFT + FastTree
qiime phylogeny align-to-tree-mafft-fasttree \
--i-sequences rep-seqs.qza \
--o-alignment aligned-rep-seqs.qza \
--o-masked-alignment masked-aligned-rep-seqs.qza \
--o-tree unrooted-tree.qza \
--o-rooted-tree rooted-tree.qza
Diversity Analysis
# Core metrics (alpha + beta diversity)
qiime diversity core-metrics-phylogenetic \
--i-phylogeny rooted-tree.qza \
--i-table table.qza \
--p-sampling-depth 10000 \
--m-metadata-file metadata.tsv \
--output-dir core-metrics-results
# Alpha diversity significance
qiime diversity alpha-group-significance \
--i-alpha-diversity core-metrics-results/shannon_vector.qza \
--m-metadata-file metadata.tsv \
--o-visualization shannon-significance.qzv
# Beta diversity significance (PERMANOVA)
qiime diversity beta-group-significance \
--i-distance-matrix core-metrics-results/weighted_unifrac_distance_matrix.qza \
--m-metadata-file metadata.tsv \
--m-metadata-column Group \
--p-method permanova \
--o-visualization weighted-unifrac-permanova.qzv
Differential Abundance (ANCOM)
# Collapse to genus level
qiime taxa collapse \
--i-table table.qza \
--i-taxonomy taxonomy.qza \
--p-level 6 \
--o-collapsed-table table-l6.qza
# Add pseudocount and run ANCOM
qiime composition add-pseudocount \
--i-table table-l6.qza \
--o-composition-table comp-table-l6.qza
qiime composition ancom \
--i-table comp-table-l6.qza \
--m-metadata-file metadata.tsv \
--m-metadata-column Group \
--o-visualization ancom-l6.qzv
Export to R/Python
# Export feature table to BIOM
qiime tools export \
--input-path table.qza \
--output-path exported
# Convert BIOM to TSV
biom convert \
-i exported/feature-table.biom \
-o feature-table.tsv \
--to-tsv
# Export taxonomy
qiime tools export \
--input-path taxonomy.qza \
--output-path exported
# Export tree
qiime tools export \
--input-path rooted-tree.qza \
--output-path exported
Manifest File Format
# manifest.tsv (tab-separated)
sample-id forward-absolute-filepath reverse-absolute-filepath
sample1 /path/to/sample1_R1.fastq.gz /path/to/sample1_R2.fastq.gz
sample2 /path/to/sample2_R1.fastq.gz /path/to/sample2_R2.fastq.gz
Metadata File Format
# metadata.tsv (tab-separated)
sample-id Group Timepoint
sample1 Treatment Day0
sample2 Control Day0
sample3 Treatment Day7
Related Skills
- amplicon-processing - DADA2 R workflow alternative
- taxonomy-assignment - More database options
- diversity-analysis - phyloseq R alternative
- differential-abundance - ALDEx2/ANCOM-BC in R
Du fichier au premier essai
Le téléchargement contient exactement le contenu affiché sur cette fiche. Cette copie peut différer de la dernière version du dépôt source.
Consulter la source et ses fichiers annexesCe téléchargement contient uniquement SKILL.md. Les scripts, références, modèles et dépendances éventuels ne sont pas inclus. Récupérez les fichiers nécessaires depuis la source en conservant leur arborescence avant de poursuivre.
1. Télécharger le fichier
Télécharger SKILL.mdDepuis la racine d’un projet de test, enregistrez le fichier sous .skill-downloads/qiime2-amplicon-workflow-mryiqgsm/SKILL.md, ou utilisez la commande suivante. Ce dossier sert à examiner la skill avant son installation.
Commande pour macOS/Linux ou WSL : un shell POSIX et curl sont nécessaires. Sous Windows sans WSL, utilisez le bouton de téléchargement et créez le dossier manuellement.
mkdir -p '.skill-downloads/qiime2-amplicon-workflow-mryiqgsm' && curl --fail --show-error --location 'https://skills-guides.com/api/skills/qiime2-amplicon-workflow-mryiqgsm/download' --output '.skill-downloads/qiime2-amplicon-workflow-mryiqgsm/SKILL.md.part' && mv '.skill-downloads/qiime2-amplicon-workflow-mryiqgsm/SKILL.md.part' '.skill-downloads/qiime2-amplicon-workflow-mryiqgsm/SKILL.md'2. Vérifier les prérequis
Lisez SKILL.md avant de l’utiliser. Si le fichier cite des scripts ou services externes, examinez-les et préparez les accès nécessaires dans votre environnement de test.
Aucune section de prérequis reconnue dans ce fichier. Cela ne signifie pas qu’il est autonome : les bibliothèques, outils et accès peuvent être cités ailleurs dans le contenu ou dans le dépôt source.
Les plateformes de la fiche sont des indications du catalogue. Les chemins ci-dessous suivent la documentation des outils ; ils ne prouvent pas que cette skill y a été exécutée. Aucune version minimale de ces outils n’est attestée pour cette fiche.
3. Charger la skill
Le fichier ne fournit pas un en-tête name/description exploitable pour cette procédure native. Le téléchargement reste disponible pour lecture ; utilisez le mode manuel ci-dessous.
Mode manuel ou autre outil : joignez SKILL.md à une conversation, ou ouvrez-le dans un agent capable de lire les fichiers. Ajoutez les ressources annexes nécessaires. Il n’existe pas de dossier universel reconnu par tous les outils.
4. Faire un premier essai
Utilisez une entrée courte et fictive : un endpoint d’API, un petit document ou un brief d’interface. Dans une nouvelle conversation, joignez le fichier ou donnez son chemin à l’agent, puis adaptez cette demande :
Lis .skill-downloads/qiime2-amplicon-workflow-mryiqgsm/SKILL.md et applique ses instructions à cet exemple : [décrire une entrée de test]. Indique les fichiers, dépendances ou accès qui manquent. Produis le résultat demandé par la skill sans inventer de données ni exécuter de script non examiné.Résultat attendu : une sortie correspondant aux instructions de la skill, ou une liste précise des prérequis manquants. Une simple confirmation de lecture ne valide pas le premier usage. Si une ressource externe est indisponible, ce parcours reste à tester.
Créer des cartes interactives avec kepler.gl
Data & IA
Création de cartes interactives et export HTML autonome avec le package Python keplergl, à partir de données géospatiales (DataFrame, GeoJSON, CSV).
Optimisation de paramètres par agent
Data & IA
Guide d'optimisation de systèmes configurables avec objectif mesurable, via des essais bornés et une recommandation fondée sur des preuves.
Relance des visiteurs ICP
Data & IA
Identifiez les utilisateurs inscrits correspondant au profil client idéal mais qui n'ont pas activé, et rédigez des messages de relance personnalisés pour les réengager.