Pular para o conteúdo
Skillpedia
Bancos de dados51 mil · #1916

nwb-conversion

Permite ao agente converter dados de neurociência em um formato padrão, preservando metadados. É útil para organizar e compartilhar pesquisas em neurociência.

O que ela faz

Esta ferramenta transforma dados de experimentos de neurociência em um formato padrão chamado NWB. Ela garante que as informações importantes, como o tempo e as medições, sejam salvas corretamente, especialmente para imagens de microscopia e dados de movimento.

Quando usar

  • ✓Quando você tem imagens de microscopia (TIFF) e dados de posição do comportamento (CSV) para converter.
  • ✓Ao precisar garantir que os tempos das imagens e do movimento estejam sincronizados.
  • ✓Para organizar e validar dados de experimentos para compartilhamento ou análise futura.

Exemplo do que pedir para a IA

“Converta meus dados de imagem TIFF e CSV de posição para o formato NWB.”

Quer saber mais? Abra as seções abaixo.

Como usar

O jeito mais fácil: copie a mensagem abaixo e cole no Claude, ChatGPT, Cursor ou outra IA. Ela lê a skill e segue as instruções.

Link da skill

https://github.com/K-Dense-AI/scientific-agent-skills/blob/main/skills/nwb-conversion/SKILL.md

Mensagem pronta para colar

Use esta skill para me ajudar: https://github.com/K-Dense-AI/scientific-agent-skills/blob/main/skills/nwb-conversion/SKILL.md Leia o arquivo SKILL.md desse link e siga as instruções dele na minha tarefa.
Como funciona

A ferramenta usa programas chamados NeuroConv e PyNWB para ler seus arquivos de imagem e de comportamento. Ela alinha os tempos dos dois tipos de dados e verifica se tudo está correto antes de salvar no formato NWB.

Instalação

Jeito mais fácil: copie o link da skill e cole no Claude, ChatGPT ou Cursor pedindo para seguir as instruções.

No terminal (Claude Code, Codex, Cursor), na pasta do projeto:

npx skills add K-Dense-AI/scientific-agent-skills --skill nwb-conversion

Ou baixe só o arquivo:

curl -L https://raw.githubusercontent.com/K-Dense-AI/scientific-agent-skills/main/skills/nwb-conversion/SKILL.md -o SKILL.md
Conteúdo técnico (SKILL.md)

Tradução do texto original do autor no GitHub. Os comandos e códigos estão como no original.

Conversão NWB Validada

Streams Suportados

O fluxo de trabalho executável abrange dois streams de entrada explícitos em uma sessão:

Entrada Representação NWB Restrições Testadas
TIFF em tons de cinza de duas camadas com carimbos de data/hora de quadro CSV Aquisição TwoPhotonSeries nomeada Imaging através do NeuroConv Um canal, um plano, uma imagem 2D por página, forma e dtype fixos
CSV de posição calibrada (time_s,x,y) Comportamento Position / SpatialSeries através do PyNWB Coordenadas em m, cm ou mm; convertidas para metros sem reamostragem temporal

Outros leitores de aquisição exigem seus próprios testes específicos de formato. Em particular, este helper não decodifica SpikeGLX, Open Ephys, TIFF multicanal, TIFF volumétrico, vídeo compactado ou calibração pixel-para-mundo. Não renomeie uma tabela numérica arbitrária para um stream suportado.

Instale o ambiente testado

uv venv --python 3.12 nwb-env
uv pip install --python nwb-env/bin/python 'neuroconv[tiff]==0.10.2' pynwb==4.2.0 \
  nwbinspector==0.7.2 roiextractors==0.10.0 tifffile==2026.9.20 \
  zarr==2.18.7 hdmf-zarr==0.11.3

Mantenha ambos os pinos Zarr mesmo para uma conversão apenas HDF5: NeuroConv 0.10.2 importa seus módulos de configuração de backend na inicialização, e a instalação testada e não restrita do Zarr 3.4.0 falhou em zarr.codec_registry. O ambiente fixado executou a conversão real, a validação PyNWB e o Inspector com sucesso no macOS ARM64. O resolvedor de dependências fornece suporte a NumPy e HDF5. Estes são pinos de compatibilidade, não afirmações de que Zarr 2 e hdmf-zarr 0.11.3 são os lançamentos mais recentes. As verificações de interface atuais e a exceção de dependência testada estão registradas em references/upstream-review.md.

Fluxo de Trabalho

  1. Inventarie as entradas reais e os metadados de aquisição. Identifique o plano/canal da imagem, configurações ópticas, identificadores de sujeito/sessão, fuso horário, sistema de coordenadas de comportamento, unidades e o relógio de carimbo de data/hora para cada stream. Preserve os originais. Não substitua metadados ausentes por padrões plausíveis de uma configuração de exemplo.
  2. Copie assets/session-template.json ao lado dos dados brutos e substitua os valores explicitamente sintéticos. Os caminhos são resolvidos a partir desse arquivo JSON. Leia references/input-contract.md para o contrato exato de CSV e metadados e a variante de pulso-par. Os pixels TIFF são retidos como adquiridos; uma intensidade bruta de unidade arbitrária não se torna uma contagem de fótons apenas mudando seu rótulo de unidade.
  3. Estabeleça a base de tempo comum a partir de evidências de aquisição. Os carimbos de data/hora dos quadros já devem ser segundos do relógio de referência desde o início da sessão ciente do fuso horário. Para posição, forneça um relógio compartilhado documentado ou pulsos de sincronização correspondentes. O helper ajusta uma transformação de relógio afim, verifica seu resíduo contra uma tolerância especificada e recusa extrapolação além do intervalo de pulsos. Ele nunca estima a sincronização a partir de sinais neurais/comportamentais de aparência coincidente. Reinícios de relógio ou deriva não linear exigem um mapeamento por partes explicitamente validado.
  4. Execute o conversor. As entradas devem ter carimbos de data/hora finitos, estritamente crescentes e contagens de imagem/carimbo de data/hora correspondentes. Declare explicitamente um canal e um plano; metadados conhecidos de canal/plano TIFF devem concordar. Páginas em tons de cinza sozinhas não podem excluir interleaving não documentado. As amostras de aquisição permanecem intactas; apenas as unidades de coordenadas e, quando evidenciado, os carimbos de data/hora de comportamento são transformados.
  5. Leia o .validation.json ao lado do arquivo NWB. Conformidade de esquema, descobertas do Inspector e igualdade de dados respondem a perguntas diferentes. O script sai com um erro para falhas de esquema e sinaliza descobertas críticas do Inspector para revisão no relatório. Revise todas as descobertas em contexto; validação bem-sucedida não pode estabelecer que os rótulos anatômicos, pareamento de pulsos ou calibração fornecidos pelo usuário estão corretos.
  6. Entregue o NWB, o JSON de validação, a configuração de conversão original e uma explicação de quaisquer lacunas de metadados restantes ou descobertas do Inspector. Nenhum upload ou envio de arquivo está incluído neste fluxo de trabalho.

Executar

Execute o seguinte a partir do diretório da skill, com os caminhos para os arquivos de análise reais:

nwb-env/bin/python scripts/convert_session.py /path/to/session.json --output /path/to/session.nwb

nwb-env deve apontar para o ambiente criado acima; os caminhos de entrada de exemplo absolutos são

…

Perguntas frequentes

Quais tipos de dados ela suporta?

Ela suporta imagens de microscopia de dois fótons em escala de cinza (TIFF de página única) com seus tempos de quadro, e dados de posição de comportamento em CSV com tempo.

Ela pode converter outros formatos de arquivo?

Não, esta ferramenta é específica para os formatos TIFF e CSV mencionados. Ela não suporta formatos como SpikeGLX, Open Ephys, ou vídeos.

O que acontece se os tempos não baterem?

A ferramenta tenta alinhar os tempos e verifica se a diferença está dentro de um limite aceitável. Se houver grandes problemas ou falta de informação, ela pode falhar ou alertar sobre a necessidade de correção manual.

Detalhes

Descrição original do autor

Converts neuroscience acquisition data to Neurodata Without Borders files with NeuroConv and PyNWB, preserves metadata and timebases, checks evidence-based clock alignment, and produces schema validation, NWB Inspector findings and round-trip checks. Use for NWB conversion and synchronization of planar single-channel two-photon TIFF imaging plus timestamped behavioral position CSV; this skill does

repo: K-Dense-AI/scientific-agent-skills

Popularidade

Estrelas no GitHub
51 mil
Posição no ranking
#1916
Licença
MIT
Atualizada em
15/10/2026

Essa skill é útil?

0

Entre para votar.

Comentários

  • …

Mais skills deste repositório

Skills parecidas