用途：从单细胞 RNA 测序数据推断细胞发育/分化轨迹，计算表示分化进程的伪时间值，并将轨迹树、谱系分支与基因表达动态可视化，用于识别谱系特异性标记基因；输出面向发表级图表与可复核的分析结果。
主要能力：支持 diffusion、slingshot、paga、palantir 等轨迹推断方法；支持 umap、tsne、pca、diffmap 嵌入可视化；可指定根细胞或起始细胞类型、预期谱系分支数；可沿伪时间绘制指定基因表达趋势与热图；输出主轨迹图、伪时间分布、谱系树、基因趋势图，以及 cell 级 pseudotime_values.csv、lineage_assignments.csv 和 analysis_report.json。
使用方式：需 Python 3.9+ 及 scanpy、scvelo、palantir、scikit-learn、matplotlib、seaborn、pandas、numpy、anndata 等依赖（可选 rpy2 调用 R 的 slingshot）。先按 scanpy 流程完成归一化、log 转换、高变基因、PCA、邻居图、UMAP、leiden 聚类，再运行：python -m py_compile scripts/main.py 做语法校验；python scripts/main.py --help；基本分析：python scripts/main.py --input data.h5ad --output ./results；指定起点与方法：python scripts/main.py --input data.h5ad --start-cell stem_cell_cluster --method diffusion --output ./results。关键参数包括 --input（必填 .h5ad）、--embedding、--method、--start-cell、--start-cell-type、--n-lineages、--genes、--plot-genes、--format、--dpi、--n-pcs、--n-neighbors 等。
适用场景：单细胞发育轨迹推断、分化进程与谱系分支分析、命运偏倚与标记基因动态的可视化复核。
限制：需高质量且细胞类型覆盖良好的数据；假设分化是主要变异来源；细胞稀少的中转状态、环形或周期过程可能无法良好呈现；RNA velocity 需 AnnData layers 含 spliced/unspliced；输入假设已完成归一化与 log 转换；建议先校正批次效应与细胞周期影响；大规模数据（>5 万细胞）可能需要 16GB 以上内存；伪时间数值不应解读为绝对时间；建议用已知标记基因和多种方法交叉验证。