scanpy

Scanpy：单细胞分析

概述

Scanpy 是一个基于 AnnData 构建的可扩展 Python 工具包，用于分析单细胞 RNA-seq 数据。应用此技能可完成完整的单细胞工作流，包括质量控制、归一化、降维、聚类、标记基因识别、可视化和轨迹分析。

何时使用此技能

此技能适用于以下情况：

• 分析单细胞 RNA-seq 数据（.h5ad、10X、CSV 格式）
• 对 scRNA-seq 数据集进行质量控制
• 创建 UMAP、t-SNE 或 PCA 可视化
• 识别细胞簇并寻找标记基因
• 基于基因表达注释细胞类型
• 进行轨迹推断或拟时序分析
• 生成出版级质量的单细胞图表

快速开始

基本导入和设置

import scanpy as sc
import pandas as pd
import numpy as np

# Configure settings
sc.settings.verbosity = 3
sc.settings.set_figure_params(dpi=80, facecolor='white')
sc.settings.figdir = './figures/'

加载数据

# From 10X Genomics
adata = sc.read_10x_mtx('path/to/data/')
adata = sc.read_10x_h5('path/to/data.h5')

# From h5ad (AnnData format)
adata = sc.read_h5ad('path/to/data.h5ad')

# From CSV
adata = sc.read_csv('path/to/data.csv')

理解 AnnData 结构

AnnData 对象是 scanpy 中的核心数据结构：

adata.X          # Expression matrix (cells × genes)
adata.obs        # Cell metadata (DataFrame)
adata.var        # Gene metadata (DataFrame)
adata.uns        # Unstructured annotations (dict)
adata.obsm       # Multi-dimensional cell data (PCA, UMAP)
adata.raw        # Raw data backup

# Access cell and gene names
adata.obs_names  # Cell barcodes
adata.var_names  # Gene names

标准分析工作流

1. 质量控制

识别并过滤低质量细胞和基因：

# Identify mitochondrial genes
adata.var['mt'] = adata.var_names.str.startswith('MT-')

# Calculate QC metrics
sc.pp.calculate_qc_metrics(adata, qc_vars=['mt'], inplace=True)

# Visualize QC metrics
sc.pl.violin(adata, ['n_genes_by_counts', 'total_counts', 'pct_counts_mt'],
             jitter=0.4, multi_panel=True)

# Filter cells and genes
sc.pp.filter_cells(adata, min_genes=200)
sc.pp.filter_genes(adata, min_cells=3)
adata = adata[adata.obs.pct_counts_mt < 5, :]  # Remove high MT% cells

使用 QC 脚本进行自动化分析：

python scripts/qc_analysis.py input_file.h5ad --output filtered.h5ad

2. 归一化和预处理

# Normalize to 10,000 counts per cell
sc.pp.normalize_total(adata, target_sum=1e4)

# Log-transform
sc.pp.log1p(adata)

# Save raw counts for later
adata.raw = adata

# Identify highly variable genes
sc.pp.highly_variable_genes(adata, n_top_genes=2000)
sc.pl.highly_variable_genes(adata)

# Subset to highly variable genes
adata = adata[:, adata.var.highly_variable]

# Regress out unwanted variation
sc.pp.regress_out(adata, ['total_counts', 'pct_counts_mt'])

# Scale data
sc.pp.scale(adata, max_value=10)

3. 降维

# PCA
sc.tl.pca(adata, svd_solver='arpack')
sc.pl.pca_variance_ratio(adata, log=True)  # Check elbow plot

# Compute neighborhood graph
sc.pp.neighbors(adata, n_neighbors=10, n_pcs=40)

# UMAP for visualization
sc.tl.umap(adata)
sc.pl.umap(adata, color='leiden')

# Alternative: t-SNE
sc.tl.tsne(adata)

4. 聚类

# Leiden clustering (recommended)
sc.tl.leiden(adata, resolution=0.5)
sc.pl.umap(adata, color='leiden', legend_loc='on data')

# Try multiple resolutions to find optimal granularity
for res in [0.3, 0.5, 0.8, 1.0]:
    sc.tl.leiden(adata, resolution=res, key_added=f'leiden_{res}')

5. 标记基因识别

# Find marker genes for each cluster
sc.tl.rank_genes_groups(adata, 'leiden', method='wilcoxon')

# Visualize results
sc.pl.rank_genes_groups(adata, n_genes=25, sharey=False)
sc.pl.rank_genes_groups_heatmap(adata, n_genes=10)
sc.pl.rank_genes_groups_dotplot(adata, n_genes=5)

# Get results as DataFrame
markers = sc.get.rank_genes_groups_df(adata, group='0')

6. 细胞类型注释

# Define marker genes for known cell types
marker_genes = ['CD3D', 'CD14', 'MS4A1', 'NKG7', 'FCGR3A']

# Visualize markers
sc.pl.umap(adata, color=marker_genes, use_raw=True)
sc.pl.dotplot(adata, var_names=marker_genes, groupby='leiden')

# Manual annotation
cluster_to_celltype = {
    '0': 'CD4 T cells',
    '1': 'CD14+ Monocytes',
    '2': 'B cells',
    '3': 'CD8 T cells',
}
adata.obs['cell_type'] = adata.obs['leiden'].map(cluster_to_celltype)

# Visualize annotated types
sc.pl.umap(adata, color='cell_type', legend_loc='on data')

7. 保存结果

# Save processed data
adata.write('results/processed_data.h5ad')

# Export metadata
adata.obs.to_csv('results/cell_metadata.csv')
adata.var.to_csv('results/gene_metadata.csv')

常见任务

创建出版级质量的图表

# Set high-quality defaults
sc.settings.set_figure_params(dpi=300, frameon=False, figsize=(5, 5))
sc.settings.file_format_figs = 'pdf'

# UMAP with custom styling
sc.pl.umap(adata, color='cell_type',
           palette='Set2',
           legend_loc='on data',
           legend_fontsize=12,
           legend_fontoutline=2,
           frameon=False,
           save='_publication.pdf')

# Heatmap of marker genes
sc.pl.heatmap(adata, var_names=genes, groupby='cell_type',
              swap_axes=True, show_gene_labels=True,
              save='_markers.pdf')

# Dot plot
sc.pl.dotplot(adata, var_names=genes, groupby='cell_type',
              save='_dotplot.pdf')

有关全面的可视化示例，请参阅 references/plotting_guide.md。

轨迹推断

# PAGA (Partition-based graph abstraction)
sc.tl.paga(adata, groups='leiden')
sc.pl.paga(adata, color='leiden')

# Diffusion pseudotime
adata.uns['iroot'] = np.flatnonzero(adata.obs['leiden'] == '0')[0]
sc.tl.dpt(adata)
sc.pl.umap(adata, color='dpt_pseudotime')

条件间的差异表达

# Compare treated vs control within cell types
adata_subset = adata[adata.obs['cell_type'] == 'T cells']
sc.tl.rank_genes_groups(adata_subset, groupby='condition',
                         groups=['treated'], reference='control')
sc.pl.rank_genes_groups(adata_subset, groups=['treated'])

基因集评分

# Score cells for gene set expression
gene_set = ['CD3D', 'CD3E', 'CD3G']
sc.tl.score_genes(adata, gene_set, score_name='T_cell_score')
sc.pl.umap(adata, color='T_cell_score')

批次校正

# ComBat batch correction
sc.pp.combat(adata, key='batch')

# Alternative: use Harmony or scVI (separate packages)

需要调整的关键参数

质量控制

• min_genes：每个细胞的最小基因数（通常为 200-500）
• min_cells：每个基因的最小细胞数（通常为 3-10）
• pct_counts_mt：线粒体阈值（通常为 5-20%）

归一化

• target_sum：每个细胞的目标计数（默认 1e4）

特征选择

• n_top_genes：高变基因（HVG）的数量（通常为 2000-3000）
• min_mean、max_mean、min_disp：HVG 选择参数

降维

• n_pcs：主成分数量（查看方差比图）
• n_neighbors：邻居数量（通常为 10-30）

聚类

• resolution：聚类粒度（0.4-1.2，越高 = 簇越多）

常见陷阱和最佳实践

1. 始终保存原始计数：在过滤基因之前执行 adata.raw = adata
2. 仔细检查 QC 图表：根据数据集质量调整阈值
3. 使用 Leiden 而非 Louvain：更高效且结果更好
4. 尝试多种聚类分辨率：找到最优粒度
5. 验证细胞类型注释：使用多个标记基因
6. 基因表达图使用 use_raw=True：显示原始计数
7. 检查 PCA 方差比：确定最优 PC 数量
8. 保存中间结果：较长的工作流可能中途失败

捆绑资源

scripts/qc_analysis.py

自动化质量控制脚本，可计算指标、生成图表并过滤数据：

python scripts/qc_analysis.py input.h5ad --output filtered.h5ad \
    --mt-threshold 5 --min-genes 200 --min-cells 3

references/standard_workflow.md

完整的逐步工作流，包含详细说明和代码示例，涵盖：

• 数据加载和设置
• 带可视化的质量控制
• 归一化和缩放
• 特征选择
• 降维（PCA、UMAP、t-SNE）
• 聚类（Leiden、Louvain）
• 标记基因识别
• 细胞类型注释
• 轨迹推断
• 差异表达

从头执行完整分析时请阅读此参考资料。

references/api_reference.md

按模块组织的 scanpy 函数快速参考指南：

• 读取/写入数据（sc.read_*、adata.write_*）
• 预处理（sc.pp.*）
• 工具（sc.tl.*）
• 绘图（sc.pl.*）
• AnnData 结构及操作
• 设置和实用工具

用于快速查找函数签名和常用参数。

references/plotting_guide.md

全面的可视化指南，包括：

• 质量控制图
• 降维可视化
• 聚类可视化
• 标记基因图（热图、点图、小提琴图）
• 轨迹和拟时序图
• 出版级自定义
• 多面板图
• 调色板和样式

在创建出版级可用的图时请参考此文档。

assets/analysis_template.py

完整的分析模板，提供从数据加载到细胞类型注释的完整工作流。复制并自定义此模板以用于新的分析：

cp assets/analysis_template.py my_analysis.py
# Edit parameters and run
python my_analysis.py

该模板包含所有标准步骤，带有可配置参数和有用的注释。

其他资源

• 官方 scanpy 文档：https://scanpy.readthedocs.io/
• Scanpy 教程：https://scanpy-tutorials.readthedocs.io/
• scverse 生态：https://scverse.org/（相关工具：squidpy、scvi-tools、cellrank）
• 最佳实践：Luecken & Theis (2019) "Current best practices in single-cell RNA-seq"

高效分析技巧

1. 从模板开始：使用 assets/analysis_template.py 作为起点
2. 先运行 QC 脚本：使用 scripts/qc_analysis.py 进行初始过滤
3. 按需参考文档：将工作流和 API 参考加载到上下文中
4. 迭代聚类：尝试多种分辨率和可视化方法
5. 生物学验证：检查标记基因是否匹配预期的细胞类型
6. 记录参数：记录 QC 阈值和分析设置
7. 保存检查点：在关键步骤写出中间结果