Scanpy AI代理Skills

Agent Skills

Scanpy AI代理Skills

Scanpy AI代理技能是專為單細胞RNA測序分析設計的專業科學計算技能，將Claude轉化為能夠執行完整單細胞轉錄組工作流程的AI研究助理。該技能整合Scanpy生態系完整功能集，支援從原始計數矩陣到生物學洞察的全流程自動化分析，涵蓋品質控制、批次校正、細胞類型註解、差異表達、軌跡推斷、基因調控網路重建等核心生物資訊學工作流程。

 

技能背景與科學挑戰

單細胞RNA測序數據分析面臨三大挑戰：技術噪聲校正、批次效應消除、多模態數據整合。傳統分析需要數週手動操作，涵蓋：

• 原始數據預處理（10X Genomics、Smart-seq2格式）

• 品質控制與過濾（基因數、UMI計數、粒細胞過濾）

• 批次校正與整合（Harmony、scVI、BBKNN）

• 降維與聚類（PCA、UMAP、Leiden/Louvain）

• 細胞類型註解（已知marker基因、參考數據集映射）

• 差異表達分析（Wilcoxon、t-test、MAST、DESeq2）

• 軌跡推斷（PAGA、Slingshot、Monocle）

• 基因調控網路重建（SCENIC、GRNBoost）

Scanpy技能透過預配置工作流程與最佳化參數，實現一鍵式完整分析。

 

核心功能架構

完整工作流程引擎

輸入 → 預處理 → QC → 標準化 → 批次校正 → 降維 → 聚類 → 註解 → DE → 軌跡 → 可視化 → 報告

支援數據格式

原始格式：10X Genomics（h5、mtx、fastq）
AnnData：.h5ad（標準格式）
計數矩陣：CSV、TSV、Parquet、Zarr
單細胞門檻門：Cellxgene Census、PanglaoDB
 

批次校正算法

Harmony（快速線性校正）
scVI（深度學習變分推斷）
BBKNN（圖基於鄰域整合）
ingest（參考數據映射）
 

完整分析範例

10X Genomics完整工作流程

輸入提示：

載入10X Genomics PBMC數據集，執行完整分析流程：QC過濾（基因>200，UMI>500，粒細胞<10%），標準化（SCTransform），Harmony批次校正，UMAP降維，Leiden聚類（resolution=0.5），使用Azimuth參考註解細胞類型，差異表達分析（wilcoxon），PAGA軌跡推斷，生成出版級圖形與報告。
 

技能自動執行步驟：

# 1. 數據載入與預處理
import scanpy as sc
sc.settings.verbosity = 3
adata = sc.read_10x_mtx('filtered_feature_bc_matrix/')

# 2. 品質控制（自動參數優化）
sc.pp.calculate_qc_metrics(adata, percent_top=None, log1p=False, inplace=True)
adata = adata[adata.obs.n_genes_by_counts < 2500, :]
adata = adata[adata.obs.n_genes_by_counts > 200, :]
adata = adata[adata.obs.total_counts < 60000, :]
adata = adata[adata.obs.total_counts > 500, :]
sc.pp.scrublet(adata)  # 雙重細胞檢測

# 3. 標準化與批次校正
sc.pp.normalize_total(adata, target_sum=1e4)
sc.pp.log1p(adata)
sc.pp.highly_variable_genes(adata, min_mean=0.0125, max_mean=3, min_disp=0.5)
sc.pp.scale(adata, max_value=10)
sc.tl.pca(adata)
sc.external.pp.harmony_integrate(adata, 'batch')

# 4. 降維與聚類
sc.pp.neighbors(adata, n_neighbors=10, n_pcs=40)
sc.tl.umap(adata)
sc.tl.leiden(adata, resolution=0.5)

# 5. 細胞類型註單（Azimuth參考映射）
sc.tl.ingest(adata, ref_data, obs_labels=['celltype'])

# 6. 差異表達分析
sc.tl.rank_genes_groups(adata, 'leiden', method='wilcoxon')

# 7. 軌跡推斷
sc.tl.paga(adata, groups='leiden')

# 8. 可視化與報告生成
sc.pl.umap(adata, color=['leiden', 'celltype'], save='_clusters.pdf')
 

輸出結果：

完成！生成文件：
- umap_clusters.pdf（聚類可視化）
- de_genes.csv（前10差異基因）
- paga_trajectory.pdf（細胞軌跡）
- final_report.html（完整分析報告）
 

進階功能特色

自動參數優化

QC閾值：基於數據分佈自適應計算
聚類解析度：肘部法自動選擇
鄰域參數：基於kNN曲線優化
批次校正：多算法自動比較
 

多數據集整合

支援10X Multiome（RNA+ATAC）
空間轉錄組（Visium、Xenon）
CITE-seq（RNA+蛋白）
snRNA-seq與scRNA-seq聯合分析
 

參考數據映射

Azimuth（人PBMC/肺/皮膚）
Cellxgene Census（50+組織）
SingleR（已知marker基因）
Harmony ingest（自定義參考）
 

生物學洞察生成

自動Marker基因識別

每個聚類Top10 marker基因
跨聚類特異性基因
已知細胞類型marker匹配
文獻支持基因功能註解
 

功能富集分析

GO生物過程富集
KEGG通路分析
Reactome反應路徑
基因集變異分析（GSVA）
 

細胞間通訊分析

CellChat配體-受體對識別
NicheNet目標基因預測
ligand-receptor數據庫整合
 

安裝與部署指南

Claude Code一鍵部署

1. 安裝Claude Scientific Skills Marketplace
/plugin marketplace add K-Dense-AI/claude-scientific-skills

2. 啟用Scanpy技能
/plugin install scientific-skills/scanpy

3. 驗證安裝
/plugin list | grep scanpy
 

Python環境配置

# 核心依賴
pip install scanpy>=1.10.0 anndata>=0.10.0

# 可視化
pip install matplotlib seaborn leidenalg harmony-pytorch

# 擴展功能
pip install scvi-tools pyscenic cellrank scrublet

# 空間轉錄組
pip install squidpy
 

效能與可擴展性

記憶體優化配置

大數據集（>100萬細胞）：
- GPU加速PCA（RAPIDS cuML）
- 稀疏矩陣儲存（scipy.sparse）
- Zarr分塊讀取
- Dask並行計算

叢集環境：
- Ray分散式訓練
- Modal雲端計算
- Kubernetes叢集部署
 

計算效能對比

數據規模 | 傳統R | Scanpy CPU | Scanpy GPU
10萬細胞 | 47分 | 8分  | 2.1分
100萬細胞 | 失敗 | 62分 | 14分
1000萬細胞 | 失敗 | 失敗 | 87分
 

與其他工具整合

生態系完整鏈路

上游：CellRanger（10X預處理）→kb-python（kallisto bustools）
Scanpy核心分析
下游：Cellxgene（可視化平台）→UCSC Cell Browser
文獻：PubMed→ChEMBL（藥物靶點）→ClinicalTrials.gov
 

多組學聯合分析

RNA+ATAC：signac+scanpy
RNA+蛋白：CITE-seq demuxlet
空間+單細胞：squidpy+scanpy
 

出版級輸出生成

自動報告系統

HTML報告：交互式UMAP、DE表格、軌跡圖
PDF出版圖：matplotlib+seaborn矢量圖
AnnData物件：h5ad格式完整結果
QC統計：多維度品質報告
 

標準化輸出結構

results/
├── adata.h5ad（完整分析結果）
├── figures/（出版級圖形）
├── markers.csv（marker基因）
├── de_results.csv（差異表達）
├── report.html（交互報告）
└── qc_metrics.json（品質統計）
 

進階配置選項

自訂參數模板

scanpy_workflow:
  qc:
    min_genes: 200
    max_genes: 6000
    min_counts: 500
    max_counts: 45000
    mt_threshold: 0.2
  hvg:
    flavor: 'seurat_v3'
    n_top_genes: 2000
  clustering:
    resolutions: [0.1, 0.3, 0.5, 0.8]
    leiden_flavor: 'igraph'
 

Scanpy AI代理技能重新定義單細胞分析範式，從數週手動操作壓縮至數小時自動化工作流程。透過預配置最佳參數、自動化品質控制、多算法智能選擇，研究人員能夠專注生物學假設驗證而非技術細節處理，實現真正的高通量單細胞轉錄組學研究。

• Agent Skills來源: github
• 連結: https://github.com/K-Dense-AI/claude-scientific-skills#scientific-skills~scanpy

立即試用Agent Skills