用途
Scanpy 是一个建立在 AnnData 数据结构之上的可扩展 Python 工具包，用于分析单细胞 RNA 测序数据。适用于完整的单细胞分析工作流，包括：读取 .h5ad/10X/CSV 数据、进行质量控制、归一化、降维、聚类、标记基因识别、可视化以及轨迹分析。当需要处理 scRNA-seq 数据集、生成 UMAP/t-SNE/PCA 可视化、注释细胞类型、进行轨迹推断或伪时间分析、创建出版物级图表时，可以使用该技能。
主要能力
- 数据加载与结构：支持从 10X Genomics（
sc.read_10x_mtx、sc.read_10x_h5）、h5ad（sc.read_h5ad）和 CSV（sc.read_csv）加载数据。核心对象为 AnnData，包含adata.X（表达矩阵）、adata.obs（细胞元数据）、adata.var（基因元数据）、adata.uns（非结构化注释）、adata.obsm（多维细胞数据，如 PCA、UMAP）和adata.raw（原始数据备份）。 - 质量控制：识别线粒体基因，计算 QC 指标（
sc.pp.calculate_qc_metrics），通过小提琴图可视化，并依据每细胞最小基因数、每基因最小细胞数、线粒体百分比阈值过滤低质量细胞和基因。 - 归一化与预处理：将每个细胞的计数归一化到目标总和（默认 1e4），进行对数变换，保存原始计数，识别高变基因，回归去除不需要的变化，并进行数据缩放。
- 降维：使用 PCA 降维并检查方差比例图，构建邻域图，生成 UMAP 或 t-SNE 用于可视化。
- 聚类：支持 Leiden 聚类，可尝试多个分辨率以找到最佳粒度。
- 标记基因识别：使用 Wilcoxon 方法等方法为每个聚类寻找标记基因，并以排名图、热图、点图等方式可视化，结果可导出为 DataFrame。
- 细胞类型注释：定义已知细胞类型的标记基因，通过 UMAP、点图可视化，并根据聚类映射手动注释细胞类型。
- 轨迹推断：支持 PAGA 和扩散伪时间（DPT）分析。
- 差异表达与基因集评分：支持在细胞类型内比较不同条件，以及为细胞进行基因集评分。
- 批次校正：提供 ComBat 批次校正；也可使用 Harmony 或 scVI（需单独安装）。
- 可视化与保存：可生成出版物质量图表，并保存处理后的数据及元数据。
使用方式
基本流程为导入 scanpy 并配置设置，加载数据后按标准工作流依次执行：质量控制（sc.pp.calculate_qc_metrics、sc.pp.filter_cells、sc.pp.filter_genes）、归一化（sc.pp.normalize_total、sc.pp.log1p）、高变基因选择（sc.pp.highly_variable_genes）、降维（sc.tl.pca、sc.pp.neighbors、sc.tl.umap 或 sc.tl.tsne）、聚类（sc.tl.leiden）、标记基因识别（sc.tl.rank_genes_groups）、细胞类型注释以及保存结果（adata.write、adata.obs.to_csv）。技能还提供了自动化 QC 脚本：
python scripts/qc_analysis.py input_file.h5ad --output filtered.h5ad
以及分析模板：
cp assets/analysis_template.py my_analysis.py
python my_analysis.py
可参考的文档包括标准工作流指南、API 参考和绘图指南。
适用场景
- 分析单细胞 RNA-seq 数据（.h5ad、10X、CSV 格式）。
- 对 scRNA-seq 数据集进行质量控制。
- 创建 UMAP、t-SNE 或 PCA 可视化。
- 识别细胞聚类并寻找标记基因。
- 基于基因表达注释细胞类型。
- 进行轨迹推断或伪时间分析。
- 生成出版物质量单细胞图表。
限制与注意事项
- 需在过滤基因前始终保存原始计数（
adata.raw = adata）。 - 应仔细检查 QC 图，根据数据集质量调整阈值。
- 推荐使用 Leiden 而非 Louvain 聚类。
- 应尝试多种聚类分辨率以找到最佳粒度。
- 细胞类型注释需使用多个标记基因进行验证。
- 基因表达图使用
use_raw=True以显示原始计数。 - 检查 PCA 方差比例图以确定最佳主成分数量。
- 长工作流需保存中间结果。
- 关于收费、价格、支持平台等更多信息，暂未提供。