用途：从单细胞 RNA-seq 数据推断转录因子调控子（regulon），并给出每个细胞的调控子活性评分。核心是三步 pySCENIC 流程：先用 GRNBoost2 推断 TF-靶基因共表达邻接关系，再用 cisTarget 按顺式调控基序富集剪枝为直接靶基因，最后用 AUCell 对每个细胞的调控子打分。
主要能力：GRN 步骤产出无向共表达邻接；剪枝步骤是方法的概念核心，仅保留 TF 结合基序在靶基因顺式调控空间中显著富集（NES>=3.0）的边，把共表达转为带方向的 TF->靶基因关系并剔除间接靶基因；AUCell 在细胞内对基因排序并计算恢复曲线下面积，因此调控子活性可以与 TF 自身 mRNA 表达不一致。还可用调控子特异性评分（RSS）找出标志细胞类型的调控子，并用 binarize 转为开/关状态。
用法：CLI 依次运行 pyscenic grn、pyscenic ctx、pyscenic aucell；GRN 步骤建议用 arboreto_with_multiprocessing.py 以避免 dask 后端挂起。需从 resources.aertslab.org/cistarget/ 下载匹配的排序数据库、motif2TF 注释和 TF 列表，物种、组装版本与命名空间须一致，排序库与 motif2TF 版本也须匹配。参考示例基于 pySCENIC 0.12+、ctxcore 0.2+、arboreto 0.1.6+、scanpy 1.10+、loompy 3.0+，使用前应核对已安装版本与函数签名。
限制：GRNBoost2/GENIE3 具有随机性，需固定 seed 或多次运行取重复率大于 80% 的链接；ctxcore 与 feather 格式版本不匹配是常见静默失败；跨条件比较原始 AUC 需注意批次效应，应在整合对象上只跑一次 SCENIC；_extended 或负向（-）调控子为低置信假设，不宜作直接结合结论；建议每个细胞类型至少数百个细胞，并先做单细胞预处理与去双细胞。调控子仍是经基序支持的共表达，属于待验证的假设而非因果证明。
适用场景：单细胞 RNA-seq 的 TF 调控子与逐细胞活性分析；有配对 scRNA+scATAC 时可转用 SCENIC+ 的 multiomics-grn，bulk 数据可转用 ARACNe+VIPER 的 grn-inference。