用途：对单细胞 RNA-seq 数据做降维与图聚类，在 PCA 空间构建 k 近邻图并划分社区，再用 UMAP 等做二维展示。Python 用 sc.pp.neighbors + sc.tl.leiden + sc.tl.umap；R 用 FindNeighbors + FindClusters + RunUMAP。
主要能力：Leiden 与 Louvain 算法选择（Leiden 可保证社区连通，Louvain 可能产生内部不连通社区；Seurat 默认仍为 Louvain，algorithm=4 为 Leiden，需 leidenalg）；参数参考（n_pcs 30-50、n_neighbors 10-30、resolution 0.2-2.0 扫描、UMAP min_dist 0.1-0.5）；分辨率扫描与 clustree 查看细胞流向；亚聚类需在子集上重算 HVG、PCA 与 kNN 图；稳定性（bootstrap、Jaccard）与显著性（scSHC、CHOIR）验证。
使用方式：Scanpy 示例中固定后端以保证可复现，如 sc.tl.leiden(adata, flavor='igraph', n_iterations=2, directed=False)；Seurat 中 FindClusters 可传多个 resolution 生成 RNA_snn_res.<r> 列供 clustree 使用。版本参考 scanpy 1.10+、Seurat 5.0+、anndata 0.10+，使用前需核对已安装版本与函数签名。
适用场景：单细胞聚类、分辨率选择、亚群细分、聚类结果验证与标记基因排序标注。
限制：聚类无真值，resolution 不具生物学含义；UMAP/tSNE 距离、簇大小与间隙不可作度量解读，只能在图或 PCA 空间聚类；对同一聚类做标记检验属双重浸染，p 值无效，标记检验仅用于排序与标注，需配合 scSHC/CHOIR 与 ClusterDE 等稳健方法；批次效应、双细胞、细胞周期与线粒体等技术因素需先处理。相关技能包括预处理、双细胞检测、批次整合、标记注释等。