用途：面向单细胞 RNA-seq 与表达矩阵分析，覆盖从原始计数到注释聚类的完整流程，以及按细胞类型或条件的差异表达、基因表达相关性、PCA/UMAP/t-SNE、Leiden/Louvain 聚类、统计比较、标记基因、批次校正、轨迹和细胞通讯。不适用于仅做 bulk RNA-seq DESeq2、仅做基因富集、VCF/变异分析，或 scVI 系列深度学习整合。
主要能力：以 AnnData 为中心，先加载、检查、验证再分析。质控计算 n_genes_by_counts、total_counts、pct_counts_mt、pct_counts_ribo、pct_counts_hb，并建议用 MAD 分布感知阈值而非硬编码；双细胞用 Scrublet/scDblFinder，环境 RNA 用 SoupX/DecontX，空液滴用 EmptyDrops 或 barcode-rank knee。差异表达可用 sc.tl.rank_genes_groups（wilcoxon、t-test、logreg）或伪 bulk DESeq2；统计用 scipy.stats 与 BH 校正；批次校正示例用 harmonypy。
使用方式：安装 pip install scanpy anndata leidenalg umap-learn harmonypy gseapy pandas numpy scipy scikit-learn statsmodels。h5ad 用 sc.read_h5ad，10X 用 sc.read_10x_mtx 或 sc.read_10x_h5，CSV/TSV 需检查方向后转 AnnData。质控辅助脚本：python scripts/scrna_qc.py data.h5ad --doublets；未安装 scanpy 时用 python scripts/scrna_qc.py --install-plan 查看缺失依赖，不要编造指标。若数据目录已有 *_executed.ipynb、预计算结果文件或规范分析脚本，应优先读取或直接执行，不要从原始数据重跑。
适用场景：单细胞数据质控与门控、细胞类型鉴定与注释、聚类、差异表达、标记基因查询、批次整合、细胞通讯与轨迹分析，并可结合 ToolUniverse 的数据发现、标记基因、基因注释、富集和临床上下文工具。
限制：具体阈值需按组织调整，线粒体富集组织不能套用统一上限；环境 RNA 无法靠单细胞 QC 指标发现；PanglaoDB 基因反查结果不按特异性排序，需核对 canonical_marker 与 sensitivity/specificity 字段；SCXA_search_gene 可能较慢；marker_type 仅接受 clusters 或 cell_types，且 cell_types 需 organism_part。资料未提供收费、价格与平台信息。