Bio-Research 插件「start」技能指南生命科学研究环境的初始化、连接检查与技能导航【免费下载链接】knowledge-work-pluginsOpen source repository of plugins primarily intended for knowledge workers to use in Claude Cowork项目地址: https://gitcode.com/GitHub_Trending/kn/knowledge-work-pluginsBio-Research 插件将文献检索、测序数据分析、药物发现与科研策略等能力整合为一个面向生命科学研究者的 Claude Cowork 插件包。本指南围绕插件内置的start引导技能展开完整讲解其五个有序步骤——欢迎播报、MCP 服务器连通性检查、技能清单调查、可选二进制服务器安装提示与工作流引导并结合仓库内 README.md、CONNECTORS.md 及各子技能的 SKILL.md 等资源说明每个步骤背后的工具与技能细节。读完本文你将掌握如何快速判断哪些数据源与工具已接入、如何选择与当前研究任务匹配的分析技能以及如何引导研究者进入文献综述、单细胞分析、测序流程、药物发现和研究策略五类常见工作流。插件概览一个包整合 11 个 MCP 服务器与 5 个分析技能在进入start技能的细节之前先理解它服务的整体对象。根据 README.md 的说明Bio-Research 插件面向临床前研究preclinical research场景把文献检索、基因组学分析、靶点优先级排序等能力整合进一个插件包可配合 Cowork 使用也可直接安装到 Claude Code。插件整合了 11 个 MCP 服务器集成与 5 个分析技能覆盖文献、数据仓库、化学数据库、临床试验、科学绘图、AI 研究平台等数据源以及单细胞 QC、深度学习单细胞分析、nf-core 流程、仪器数据标准化与科研选题框架五类分析能力。start技能在其中的角色是入口与向导它位于 bio-research/skills/start/SKILL.mdfrontmatter 中声明的触发场景是首次接触插件、需要确认已连接哪些文献/药物发现/可视化 MCP 服务器或在开启新项目前盘点可用分析技能。其设计初衷是让刚接触该插件的生物研究者快速完成环境定向get oriented因此整体采用按顺序走完五个步骤的引导式结构。start 技能的触发时机根据 SKILL.md 的 frontmatter以下场景应优先启用本技能用户第一次接触 Bio-Research 插件需要了解插件能做什么需要确认当前连接了哪些文献检索、药物发现或可视化相关的 MCP 服务器在启动一个新项目之前需要盘点可用的分析技能清单。Step 1欢迎播报建立上下文start技能的第一步是向研究者展示一条固定的欢迎消息内容如下Bio-Research Plugin Your AI-powered research assistant for the life sciences. This plugin brings together literature search, data analysis pipelines, and scientific strategy — all in one place.这条消息的作用是明确插件的三大能力支柱——文献搜索literature search、数据分析流程data analysis pipelines与科学策略scientific strategy为后续步骤建立清晰的上下文框架。这三个支柱与插件实际整合的资源一一对应文献搜索对应~~literature~~、~~journal access~~等数据源数据分析流程对应五个分析技能科学策略则对应 scientific-problem-selection 技能提供的选题框架。Step 2检查已连接的 MCP 服务器这是start技能的核心步骤通过列出当前可用的工具listing available tools来测试哪些 MCP 服务器已连接并按类别分组汇报结果明确哪些服务器已接入、哪些尚未配置。理解~~category~~占位符机制在汇报之前必须理解插件采用的工具占位符机制。CONNECTORS.md 明确说明插件文件使用~~category~~作为类别占位符代表用户在对应类别中实际接入的任意工具。例如~~literature~~可能对应 PubMed、bioRxiv 或任何其他提供文献检索的 MCP 服务器。这一设计使插件保持工具无关tool-agnostic——工作流按类别文献、临床试验、化学数据库等描述而不是绑定某个具体产品。.mcp.json预配置了特定的 MCP 服务器但同一类别下任何兼容的 MCP 服务器都可以正常工作。因此 Step 2 中列出的~~literature database~~等条目实际含义是该类别下任一已接入的服务器。三类连接检查清单start技能将需要检查的服务器分为三个类别文献与数据源Literature Data Sources占位符能力说明README 中预配置的服务器~~literature~~生物医学文献检索美国国家医学图书馆PubMed、deepsense.ai 的 bioRxiv/medRxiv 预印本、Consensus 的同行评审文献 AI 检索与综合~~journal access~~学术出版物访问Wiley学术出版物访问~~data repository~~协作研究数据管理Sage BionetworksSynapse 数据平台药物发现与临床Drug Discovery Clinical占位符能力说明README 中预配置的服务器~~chemical database~~生物活性化合物数据库deepsense.ai 提供的 ChEMBL 类数据库~~drug targets~~药物靶点发现与优先级排序Open Targets~~clinical trials~~临床试验注册库ClinicalTrials.govNIH/NLM~~clinical data platform~~临床试验中心排名与平台协助预留类别按 CONNECTORS 表此类别尚未给出具体已配置服务器可视化与 AIVisualization AI占位符能力说明README 中预配置的服务器~~scientific illustration~~创建科学图表与示意图BioRender~~AI research~~面向生物学的 AI 研究平台组织病理学、药物发现Owkin同类别的可替代选项CONNECTORS.md 为每个类别额外列出了可替换的候选服务器便于研究者根据已有账号或偏好灵活接入文献预配置 PubMed / bioRxiv / Consensus可替换为 Google Scholar、Semantic Scholar临床试验预配置 ClinicalTrials.gov可替换为 EU Clinical Trials Register化学数据库预配置 ChEMBL可替换为 PubChem、DrugBank药物靶点预配置 Open Targets可替换为 UniProt、STRING数据仓库预配置 Synapse可替换为 Zenodo、Dryad、Figshare期刊访问预配置 Wiley Scholar Gateway可替换为 Elsevier、Springer Nature科学绘图BioRenderAI 研究Owkin实验平台Benchling占位符已预留MCP URL 尚未配置。汇报格式完成检查后start技能要求明确报告哪些服务器已连接、哪些尚未配置让研究者对当前可用的数据源范围有清晰认知。这是后续所有工作流文献检索、药物发现等能否顺利执行的前提。Step 3盘点可用分析技能第三步要求列出插件内可用的分析技能清单。下表是 start/SKILL.md 中的技能总览技能作用Single-Cell RNA QC基于 MAD 过滤的 scRNA-seq 数据质量控制scvi-tools单细胞组学深度学习scVI、scANVI、totalVI、PeakVI 等Nextflow Pipelines运行 nf-core 流程RNA-seq、WGS/WES、ATAC-seqInstrument Data Converter将实验室仪器输出转换为 Allotrope ASM 格式Scientific Problem Selection系统化的科研选题框架以下结合各技能的 SKILL.md 深入说明每个技能的能力边界方便start在向导过程中提供准确的后续导航。Single-Cell RNA QC基于 MAD 的自动化单细胞质控技能文档位于 bio-research/skills/single-cell-rna-qc/SKILL.md遵循 scverse 最佳实践支持.h5adscanpy 生态与.h510X Genomics Cell Ranger 输出两种输入格式。推荐路径是直接运行一键脚本python3 scripts/qc_analysis.py input.h5ad # 或针对 10X Genomics .h5 文件 python3 scripts/qc_analysis.py raw_feature_bc_matrix.h5脚本自动识别文件格式并执行四个步骤计算 QC 指标counts、基因检出、线粒体/核糖体/血红蛋白占比→ 应用 MAD 离群值检测过滤 → 过滤低检出基因 → 生成过滤前后对比可视化。可调参数包括--mad-counts、--mad-genes、--mad-mtMAD 阈值、--mt-threshold线粒体硬阈值、--min-cells基因过滤阈值以及针对不同物种的--mt-pattern、--ribo-pattern、--hb-pattern基因名模式。输出默认写入输入文件名_qc_results/目录包含过滤前后指标图、阈值叠加图以及_filtered.h5ad可直接用于下游分析和_with_qc.h5ad保留 QC 注释的原始数据两个数据文件。对需要定制流程的场景qc_core.py 与 qc_plotting.py 提供模块化函数支持仅计算指标、仅做某类过滤或按细胞亚群差异化过滤等灵活组合。scvi-tools单细胞组学深度学习工具箱技能文档位于 bio-research/skills/scvi-tools/SKILL.md覆盖 scVI/scANVI数据整合与标签迁移、totalVICITE-seq 多模态、PeakVIscATAC-seq、MultiVIRNAATAC 多组学、DestVI空间转录组反卷积、veloVIRNA velocity与 sysVI跨技术批次校正等模型。其核心前提是模型要求整数原始计数raw counts例如adata.layers[counts] adata.X.copy() # 归一化之前保存 scvi.model.SCVI.setup_anndata(adata, layercounts)并结合 2000–4000 个高变基因HVG选择与batch_key批次信息。仓库提供validate_adata.py、prepare_data.py、train_model.py、cluster_embed.py、differential_expression.py、transfer_labels.py等 CLI 脚本可串联成完整工作流。技能文档还内置了一张快速决策树有标签整合选 scANVI、无标签选 scVI、CITE-seq 选 totalVI、Multiome 选 MultiVI、纯 ATAC 选 PeakVI、空间反卷积选 DestVI、参考图谱映射选 scArches、RNA velocity 选 veloVI。Nextflow Pipelinesnf-core 生物信息学流程部署技能文档位于 bio-research/skills/nextflow-development/SKILL.md面向没有专业生信背景的科研人员支持在本地 FASTQ 或公共 GEO/SRA 数据上运行三条 nf-core 流程rnaseqv3.22.2基因表达与差异表达、sarekv3.7.1WGS/WES 胚系与体细胞变异检出、atacseqv2.1.2染色质可及性分析。工作流采用六步检查清单数据获取 → 环境检查check_environment.pyDocker/Nextflow/Java 全部必须通过→ 选择流程可用detect_data_type.py自动识别数据类型→ 运行 test profile 验证环境 → 生成 samplesheetgenerate_samplesheet.py自动配对 R1/R2 并推断样本元数据→ 配置基因组manage_genomes.py并正式运行。典型运行命令nextflow run nf-core/rnaseq -r 3.22.2 -profile test,docker --outdir test_rnaseq正式运行则追加--input samplesheet.csv --genome genome -resume资源限制可用--max_cpus 8 --max_memory 32.GB --max_time 24.h。流程输出通过results/multiqc/multiqc_report.html与.nextflow.log中的 Pipeline completed successfully 进行验证。Instrument Data Converter实验室仪器数据标准化为 Allotrope ASM技能文档位于 bio-research/skills/instrument-data-to-allotrope/SKILL.md将仪器输出文件PDF、CSV、Excel、TXT转换为 Allotrope Simple ModelASMJSON 格式或扁平化二维 CSV支持 40 种仪器类型细胞计数仪、分光光度计、酶标仪、qPCR、色谱系统等。转换策略分三层优先使用 allotropy 原生解析器Vendor枚举覆盖 Vi-CELL BLU、NanoDrop、SoftMax Pro、QuantStudio 等主流厂商不支持时回退到灵活的模糊解析列名模糊匹配、从表头提取单位PDF 文件则先用 pdfplumber 抽取表格再应用二级解析。关键实践是原始数据与计算数据分离——原始读数进入measurement-document衍生值如细胞活力百分比、260/280 比值、DIN/RIN、fold change进入calculated-data-aggregate-document并必须通过data-source-aggregate-document保留溯源。交付前用 validate_asm.py 校验支持--reference对比与--strict严格模式并可借助 export_parser.py 导出独立可交付的数据工程解析脚本。Scientific Problem Selection系统化科研选题框架技能文档位于 bio-research/skills/scientific-problem-selection/SKILL.md基于 Fischbach Walsh 在Cell2024发表的 Problem choice and decision trees in science and engineering 一文提供 9 个相互衔接的模块直觉泵Intuition Pumps、风险评估、优化函数、参数策略、决策树导航、逆境规划、问题倒置、综合与综合表达、元框架。核心洞察是问题选择 执行质量——再出色的执行也弥补不了平庸的问题选择科学家往往花几天选问题、花几年解决问题这一失衡正是技能希望修正的。技能提供三个会话入口提出新项目想法、复盘当前项目难题、提出战略性问题并针对研究生、博士后、PI 与创业创始人给出差异化的技能组合建议。Step 4可选的二进制 MCP 服务器第四步提示研究者还有两个额外的 MCP 服务器需要单独下载二进制文件安装属于可选配置10X Genomics 基因组学平台~~genomics platform~~——访问云端分析数据与工作流。安装方式为从 10X Genomics 的 txg-mcp 发布页下载txg-node.mcpb二进制文件。哈佛 MIMS 的 ToolUniverse 工具数据库~~tool database~~——面向科学发现的 AI 工具集合。安装方式为从哈佛 MIMS 的 ToolUniverse 发布页下载tooluniverse.mcpb二进制文件。README.md 将这两者列入 Optional Binary MCP Servers 小节明确它们与常规 11 个服务器不同常规服务器通过.mcp.json预配置即可使用而这两个二进制服务器需要额外的下载安装步骤。start技能在此步骤只需如实提及这两个可选项并标注其可选性由研究者自行决定是否安装。Step 5询问研究方向引导进入对应工作流最后一步要求询问研究者今天的工作内容并基于常见工作流给出起点建议。start技能内置了五条建议文献综述——检索~~literature~~数据库中关于 [主题] 的最新论文测序数据分析——对我的单细胞数据运行 QC 或 搭建 RNA-seq 流程药物发现——在~~chemical database~~中检索靶向 [蛋白] 的化合物 或 为 [疾病] 寻找药物靶点数据标准化——将我的仪器数据转换为 Allotrope 格式研究策略——帮我评估一个新项目想法。这五条建议与 README.md 中列出的五类常见工作流完全对应可以作为start向导的底层映射工作流涉及的服务器/技能文献综述~~literature~~检索 →~~journal access~~获取全文 →~~scientific illustration~~制图单细胞分析single-cell-rna-qc 技能做 QC → scvi-tools 技能做整合、批次校正与细胞类型注释测序流程从 GEO/SRA 下载公共数据 → 运行 nf-core 流程 → 验证输出药物发现~~chemical database~~检索化合物 →~~drug targets~~靶点优先级排序 → 查阅临床试验数据研究策略使用 scientific-problem-selection 框架评估新想法、复盘卡住的项目或做战略决策在研究者给出答复后start技能的任务即告完成接下来将用户引导到对应的工具与技能上。安装与启动start技能是插件内置的引导技能随插件一并安装。根据 README.md 的 Getting Started 章节安装与启动方式如下# 安装插件 /install anthropics/knowledge-work-plugins bio-research # 运行 start 命令查看可用工具 /start安装完成后无论何时需要重新盘点工具连接状态或技能清单都可以再次触发start技能它始终是进入 Bio-Research 插件能力地图的入口。小结start技能以五个有序步骤完成了生命科学研究环境的初始化定向通过欢迎消息建立上下文通过分类检查确认 11 类 MCP 服务器文献、药物发现、可视化与 AI 等类别的连接状态通过技能清单盘点五个分析技能的能力边界提示两个可选的二进制 MCP 服务器最后以五条常见工作流建议将研究者导向正确的工具与技能。对于刚接触插件的生命科学研究者来说start技能是一张可靠的能力地图对于已经熟悉插件的用户它也是一次快速的环境体检工具——两者都能借助 CONNECTORS.md 中的占位符机制在不依赖具体服务器厂商的前提下理解插件的完整能力空间。【免费下载链接】knowledge-work-pluginsOpen source repository of plugins primarily intended for knowledge workers to use in Claude Cowork项目地址: https://gitcode.com/GitHub_Trending/kn/knowledge-work-plugins创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考