用途：使用 scanpy 和 anndata 进行单细胞 RNA-seq 分析，涵盖数据预处理与质控、聚类与细胞类型注释、细胞群间差异表达、轨迹推断与拟时序分析、降维可视化（UMAP、tSNE）以及多数据集整合。不适用于批量 RNA-seq 差异表达（应使用 DESeq2 或 edgeR）、蛋白结构预测、无配套工具的成像或空间转录组，以及通用统计（应使用 scipy-analysis）。
主要能力：读取 h5ad、10x mtx 或 10x h5 数据；以 min_genes、min_cells、线粒体比例等指标做质控过滤；归一化、log 变换、高变基因选择与缩放；PCA、邻接图、UMAP、tSNE、Leiden 与 Louvain 聚类；以 Wilcoxon 等方法进行差异表达并提取 DataFrame 结果；UMAP 着色、点图、堆叠小提琴图、热图、矩阵图等可视化；扩散图、DPT 拟时序与 PAGA 轨迹分析。
使用方式：通过 import scanpy as sc 载入，先读数据再执行质控与预处理命令，如 sc.pp.filter_cells(adata, min_genes=200)、sc.pp.filter_genes(adata, min_cells=3)、sc.pp.normalize_total(adata, target_sum=1e4)、sc.pp.log1p(adata)、sc.pp.highly_variable_genes(...)；随后调用 sc.tl.pca、sc.pp.neighbors、sc.tl.umap、sc.tl.leiden 等完成降维聚类，用 sc.tl.rank_genes_groups 做差异表达，用 sc.pl.* 绘图，用 adata.write('checkpoint.h5ad') 保存中间结果。
限制与注意事项：资料未提供具体收费、平台或性能数据；需自行准备可用的 Python 环境及依赖。建议先做质控并去除双细胞，使用 adata.raw 保留全基因集，优先 Leiden 聚类与 Wilcoxon 差异检验，设置 sc.settings.figdir 并配合 save= 参数保证图表可复现，用 sc.logging.print_versions() 记录环境，通过调整 Leiden 的 resolution 控制聚类粒度。