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
Mensagem pronta para colar
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-conversionOu baixe só o arquivo:
curl -L https://raw.githubusercontent.com/K-Dense-AI/scientific-agent-skills/main/skills/nwb-conversion/SKILL.md -o SKILL.mdConteúdo 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
- 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.
- 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.
- 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.
- 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.
- Leia o
.validation.jsonao 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. - 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
Popularidade
- Estrelas no GitHub
- 51 mil
- Posição no ranking
- #1916
- Licença
- MIT
- Atualizada em
- 15/10/2026
Comentários
- …
Mais skills deste repositório
13c-metabolic-flux
Estima fluxos metabólicos usando dados de rastreamento de isótopos de carbono-13. É útil para analisar o metabolismo celular e vias bioquímicas.
K-Dense-AI/scientific-agent-skills
adaptyv
Projeta experimentos de caracterização de proteínas usando a API Adaptyv. Ele ajuda a estimar custos, enviar sequências e monitorar resultados de laboratório.
K-Dense-AI/scientific-agent-skills
aeon
Realiza tarefas de aprendizado de máquina em séries temporais. É útil para classificar, prever, detectar anomalias e encontrar padrões em dados sequenciais.
K-Dense-AI/scientific-agent-skills
alphagenome
Consulta efeitos genômicos pré-calculados para variantes genéticas. Ele fornece pontuações e explicações para entender o impacto das variantes no genoma.
K-Dense-AI/scientific-agent-skills
Skills parecidas
clickhouse-io
Ajuda seu agente a otimizar consultas e esquemas no banco de dados ClickHouse. Ele aplica as melhores práticas para cargas de trabalho analíticas de alta performance. Use quando consultas analíticas demoram muito.
affaan-m/ECC
scientific-db-pubmed-database
Ajuda seu agente a buscar artigos científicos na área biomédica. É útil para pesquisas que precisam de informações médicas específicas.
affaan-m/ECC
scientific-db-uspto-database
Permite ao agente consultar dados oficiais de patentes e marcas registradas dos EUA. É útil para pesquisas de propriedade intelectual.
affaan-m/ECC