lamindb

This skill should be used when working with LaminDB, an open-source data framework for biology that makes data queryable, traceable, reproducible, and FAIR. Use when managing biological datasets (scRNA-seq, spatial, flow cytometry, etc.), tracking computational workflows, curating and validating data with biological ontologies, building data lakehouses, or ensuring data lineage and reproducibility in biological research. Covers data management, annotation, ontologies (genes, cell types, diseases, tissues), schema validation, integrations with workflow managers (Nextflow, Snakemake) and MLOps platforms (Wu0026B, MLflow), and deployment strategies.

1. Zainstaluj LaminDB za pomocą pip w swoim środowisku Python — narzędzie wymaga Python 3.8 lub nowszego. Upewnij się, że masz dostęp do repozytorium GitHub K-Dense-AI, gdzie znajduje się ta umiejętność.

2. Zaimportuj LaminDB w swoim skrypcie lub notebooku Jupyter i zainicjuj instancję bazy danych, wskazując ścieżkę do lokalnego lub zdalnego magazynu danych. Możesz pracować z istniejącą bazą lub utworzyć nową.

3. Załaduj swoje dane biologiczne (scRNA-seq, spatial transcriptomics, flow cytometry itp.) używając wbudowanych funkcji importu. LaminDB automatycznie rejestruje źródło danych i tworzy metadane.

4. Zastosuj schematy walidacji i adnotacje ontologiczne — użyj standardowych ontologii biologicznych (geny, typy komórek, choroby, tkanki) aby opisać swoje dane. To zapewnia zgodność ze standardami FAIR i ułatwia wyszukiwanie.

5. Śledź lineaż danych poprzez całą analizę — każde przekształcenie, skrypt lub notebook są automatycznie rejestrowane. Możesz w każdej chwili odtworzyć wyniki lub przejrzeć historię zmian.

6. Integruj z istniejącymi workflow — połącz LaminDB z Nextflow, Snakemake lub platformami MLOps takimi jak Weights & Biases, aby automatycznie zarządzać danymi w całym pipeline'u badawczym.