R智能体aisdk的新功能ask_ai():稳稳地接住你的报错然后直接解决!

前面我们给大家介绍了R中的智能体 aisdk，见：
aisdk：在R console聊天，让AI干活！（活人版本教程）
aisdk还是太超前了：继Y叔，生信技能树被蒸馏后，还可以自主接入任何想要的skills！
然后在使用的过程中，我提了一个小的建议，见上面的稿子，你可以找到，我当时觉得我那个想法有点痴心妄想，但是！YH的脑子不知道怎么长的，转身就在aisdk里面加了一个新的功能 ask_ai()，使用过后，直接打开新世界，给你带来全新的体验！！！
来看看！

情景复现1：

我这里在本地电脑上面测试monocle2的代码，会遇到一些以前遇到的报错，原因也基本都知道怎么修改，但是为了测试 aisdk 的新功能 ask_ai()，我决定让这个R里面的智能体来给我修改！

测试数据：

在这里可下载：44-单细胞多组火山图链接: https://pan.baidu.com/s/121YDbgxYuQHW-UZvlLdfsQ?pwd=cpwh 提取码: cpwh

首先运行R代码：

rm(list=ls())library(aisdk)library(monocle)         # 单细胞轨迹分析核心包library(Seurat)library(dplyr)library(ggplot2)library(igraph)set.seed(42)getwd()dir <- "./5-monocle2/"print(getwd())# 1.读取已注释的Seurat对象----subset_data <- qs::qread("./4-subcluster_T-NKcells/sce.all_int.qs")subset_datahead(subset_data@meta.data)meta <- readRDS("4-subcluster_T-NKcells/phe.rds")subset_data <- AddMetaData(subset_data, metadata = meta)table(subset_data$celltype_sub)DimPlot(subset_data, label = T,group.by = "celltype_sub")Idents(subset_data) <- "celltype_sub"table(subset_data$celltype_sub)# 选择和抽样细胞子集# 选择特定细胞类型进行分析（纤维细胞、内皮细胞、上皮细胞）subset_data <- subset(subset_data, ident = c('CD8+ cytotoxic T'))table(Idents(subset_data))head(subset_data@meta.data)#aisdk::ask_ai(skill = "小树")# 2.Seurat元数据整合和Monocle对象创建----# 从Seurat对象提取count矩阵expression_matrix <- GetAssayData(object = subset_data, assay = "RNA", slot = "counts")

这里出现了一个报错：

这个时候使用 aisdk::ask_ai() 进入报错诊断，接住上面的报错：

aisdk::ask_ai()

他这里诊断可能有点久，我就按了esc，重新给了他一句提示：

帮我修改这句代码变成可以提取count就行

然后它直接修改了我的R脚本中的代码：

我重新跑了上面的，非常顺利丝滑！！！

情景复现2：

下面这个报错的解决方案是我始料未及的，它真的太棒啦！以前我都是自己手动修改monocle2的R包，但是这次 ask_ai() 给的方法很惊喜！！！

来看看！

上面monocle2的脚本接着运行：

# 2.Seurat元数据整合和Monocle对象创建----# 从Seurat对象提取count矩阵expression_matrix <- GetAssayData(object = subset_data, assay = "RNA", layer = "counts")# 准备细胞元数据cell_metadata <- new('AnnotatedDataFrame', data = subset_data@meta.data)# 准备基因注释信息gene_annotation <- new('AnnotatedDataFrame',                        data = data.frame(gene_short_name = row.names(subset_data),                                         row.names = row.names(subset_data)))# 3.创建 Monocle 核心对象 (CellDataSet)----# expressionFamily = negbinomial.size：指定使用负二项分布处理UMI数据monocle_cds <- monocle::newCellDataSet(expression_matrix,                                       phenoData = cell_metadata,                                       featureData = gene_annotation,                                       lowerDetectionLimit = 0.5,                                       expressionFamily = VGAM::negbinomial.size())monocle_cds# 4.Monocle2 预处理与轨迹推断----# 4.1 数据预处理和归一化cds <- monocle_cds # 重命名对象便于后续操作cds <- estimateSizeFactors(cds) # 标准化测序深度差异cds <- estimateDispersions(cds) # 估计基因表达的离散度