用途：该技能面向单细胞 RNA-seq 计数矩阵，提供从原始数据到注释结果的端到端标准分析流程，基于 Python 的 Scanpy 与 AnnData 格式。
主要能力：质控与过滤（线粒体百分比、基因数等指标）；文库大小标准化与 log 变换；高变基因选择；PCA、邻接图构建及 UMAP/t-SNE 降维；Leiden 社区发现聚类；按簇进行 Wilcoxon、t 检验或逻辑回归的差异表达与标记基因鉴定；基于已知标记基因的细胞类型注释；轨迹推断（PAGA、扩散拟时间）；生成点图、热图、堆叠小提琴图等可视化图表。也支持条件间差异表达和 ComBat 批次校正等常见配方。
使用方式：需 Python 3.9+，安装命令 pip install "scanpy[leiden]" anndata，并需 leidenalg、igraph。输入支持 10X Cell Ranger 的 filtered_feature_bc_matrix/、.h5ad、.h5、.csv 等格式，用 sc.read_10x_mtx 或 sc.read_h5ad 载入后依次执行质控、normalize_total、log1p、highly_variable_genes、scale、pca、neighbors、umap、leiden、rank_genes_groups，最终写出 annotated_data.h5ad、cell_metadata.csv、marker_genes.csv。分析前需与用户确认线粒体阈值、批次变量、聚类分辨率、高变基因数、主成分数、注释策略与标记面板等关键决策；随机种子默认 0。
适用场景：10X 等平台单细胞计数矩阵的标准分析，跨条件比较特定细胞类型的表达差异，以及需要轨迹或拟时间的连续发育数据。
限制：>5 万细胞建议 16GB 以上内存；批次效应明显时需先做 ComBat 或类似校正；不同组织线粒体阈值差异较大（如 PBMC 约 5%、实体瘤约 20%），需按数据分布调整；聚类分辨率与主成分数需通过图形人工确认，未给固定结论；阈值与标记面板的具体取值资料未提供统一标准，需结合具体组织与文献确定。若工作流基于 R/Seurat 或需 Seurat 专属 assay，建议改用 Seurat。