scanpy

Überblick über die scanpy-Skill

Wofür scanpy gedacht ist

Die scanpy-Skill ist für die Analyse von Single-Cell-RNA-seq-Daten in Python gedacht: Qualitätskontrolle, Normalisierung, Feature-Selektion, PCA, UMAP/t-SNE, Clustering, Marker-Identifikation und explorative Analysen mit Trajektorie-Charakter. Sie ist am besten geeignet, wenn du bereits ein AnnData-Objekt hast oder eines erstellen kannst und einen praxisnahen scanpy-Leitfaden für Data Analysis suchst, nicht einen Deep-Learning-Workflow.

Für wen sie geeignet ist

Nutze die scanpy-Skill, wenn du mit scRNA-seq-Daten arbeitest, Roh-Counts in ein analysebereites Objekt überführst oder Abbildungen und Cluster-Annotationen für Interpretation oder Publikation vorbereitest. Sie passt zu Analysten, die einen standardisierten explorativen Pipeline-Ansatz wollen und wissen, dass sie scanpy-Installations- und Nutzungsschritte brauchen, nicht eine allgemeine Bioinformatik-Einführung.

Was sie unterscheidet

Dieses Repository stellt den üblichen Scanpy-Workflow in den Mittelpunkt statt einer breiten Theorieübersicht: Daten laden, vorverarbeiten, Embeddings erzeugen, clustern und visualisieren. Es zieht auch die Grenzen klarer: Wenn du tiefe generative Modelle brauchst, schau dir scvi-tools an; wenn dein Hauptproblem die AnnData-Struktur oder Dateiformate sind, ist anndata der bessere Einstieg.

Wie man die scanpy-Skill verwendet

Die Skill installieren und prüfen

Installiere die scanpy-Skill im üblichen Verzeichnis-Workflow und öffne dann vor dem Prompting die Skill-Datei:

npx skills add K-Dense-AI/claude-scientific-skills --skill scanpy

Lies nach der Installation zuerst scientific-skills/scanpy/SKILL.md und folge dann allen verlinkten Abschnitten in der Datei. Hier gibt es keine zusätzlichen Hilfsskripte oder Referenzordner, deshalb ist der Skill-Text selbst die wichtigste Quelle.

Dem Modell analysebereite Eingaben geben

Die stärksten scanpy-Prompts nennen explizit Datenform, Format und Ziel. Gib an, ob deine Eingabe .h5ad, 10X-Output oder eine Count-Matrix ist; wie viele Proben oder Batches du hast; ob du QC-Schwellen, Integration, Clustering oder Plotting brauchst; und welches Ergebnis du erwartest. Ein schwacher Prompt lautet „analysiere meine scRNA-seq-Daten“; ein besserer lautet „verwende scanpy, um zwei 10X-Datensätze zu laden, qualitativ schlechte Zellen zu filtern, zu normalisieren, PCA/UMAP zu berechnen, auf mehreren Auflösungen zu clustern und Marker-Gene für jeden Cluster zu identifizieren“.

Ein praktischen Workflow befolgen

Für die meisten Aufgaben gehst du in dieser Reihenfolge vor: Daten laden, obs/var prüfen, qualitativ schlechte Zellen und Gene filtern, normalisieren/log-transformieren, hochvariable Gene auswählen, skalieren und PCA ausführen, Nachbarschaftsgraphen aufbauen, UMAP berechnen, clustern und anschließend Marker ranken oder Gen-Sets visualisieren. Wenn du bereits verarbeitetes AnnData hast, sag das dazu; so wiederholt die Skill die Setup-Schritte nicht und bleibt auf die noch offenen Analyseentscheidungen fokussiert.

Die richtigen Teile zuerst lesen

Starte mit dem Anfang von SKILL.md und springe dann zu den Nutzungsabschnitten zu Setup, Laden, Vorverarbeitung, Plotting und Downstream-Analyse. Wenn das Repository bestimmte Eingabeformate oder Konventionen nennt, übernimm sie in deinem Prompt exakt. Ziel ist, das Rätselraten zu reduzieren, bevor das Modell Code oder Analyseschritte schreibt.

FAQ zur scanpy-Skill

Ist scanpy nur für scRNA-seq?

Ja, in erster Linie. Die scanpy-Skill ist auf Single-Cell-Transkriptomik-Workflows ausgerichtet, vor allem auf explorative Analysen von Genexpressionsmatrizen. Sie ist nicht die richtige Wahl für Bulk-RNA-seq oder für Modellierungsaufgaben, die besser mit spezialisierten Single-Cell-Deep-Learning-Tools gelöst werden.

Brauche ich die Skill überhaupt, wenn ich ein Modell schon prompten kann?

Wenn du den kompletten Workflow und die genauen Objekte bereits kennst, kann ein normaler Prompt ausreichen. Die scanpy-Skill ist nützlicher, wenn du einen konsistenten Analysepfad, weniger fehlende Schritte und bessere Standardwerte für QC, Vorverarbeitung, Clustering und Visualisierung möchtest.

Ist sie anfängerfreundlich?

Sie ist insofern anfängerfreundlich, als die Pipeline standardisiert ist und die Skill sich auf die praktische Nutzung von scanpy konzentriert. Trotzdem setzt sie voraus, dass du grundlegendes Python, Single-Cell-Konzepte und den Unterschied zwischen Roh-Counts, normalisierten Daten und annotierten Metadaten verstehst.

Wann sollte ich sie nicht verwenden?

Nutze scanpy nicht als Haupt-Skill, wenn dein Problem vor allem Dateikonvertierung, AnnData-Schema-Design oder der Aufbau neuronaler Modelle für Cell-State-Inferenz ist. In solchen Fällen liefert eine andere Skill oder ein anderes Tool bessere Ergebnisse, als scanpy zwanghaft auf jeden Teil des Workflows auszudehnen.

So verbessert man die scanpy-Skill

Die Eingaben nennen, die Entscheidungen verändern

Die größten Qualitätsgewinne entstehen, wenn du Datensatzgröße, Organismus, Plattform, Batch-Struktur und den Analyse-Stand angibst, auf dem du bereits bist. Für die scanpy-Nutzung solltest du außerdem erwähnen, ob es Hinweise auf ambient RNA gibt, ob Doublet-Filtering nötig ist oder ob du einen bekannten Satz Marker-Gene hast, weil diese Details QC und Interpretation beeinflussen.

Nach Ergebnissen fragen, nicht nur nach Schritten

Frag nicht einfach nach „scanpy analysis“, sondern nach einem konkreten Deliverable: einem Preprocessing-Notebook, einem Clustering-Workflow, einer Tabelle mit Marker-Genen oder einem Plot-Block mit UMAP- und Violin-Plots. Klare Zieloutputs helfen dem Modell, die richtige scanpy-Leitstruktur zu wählen und unnötige Grundlagen zu vermeiden, die du nicht brauchst.

Auf die typischen Fehlerquellen achten

Die häufigsten Fehler sind fehlender QC-Kontext, das Vermischen von rohen und normalisierten Layern, Clustering vor dem Prüfen von Nachbarschaftsgraphen und Skalierungsentscheidungen sowie Anfragen nach Ergebnissen ohne klar definierte biologische Fragestellung. Wenn der erste Entwurf zu allgemein ist, überarbeite ihn mit dem genauen Eingabeobjekt, den Variablennamen und der Entscheidung, die die Analyse unterstützen soll.

Mit jeweils einer Einschränkung iterieren

Verbessere die Ausgabe der scanpy-Skill nach dem ersten Entwurf, indem du jeweils eine Einschränkung ergänzt: „nur h5ad verwenden“, „keine Integration“, „Plots in Publikationsqualität erstellen“ oder „Batch-Labels in obs erhalten“. Das ist meist besser als eine pauschale Neufassung, weil der Workflow stabil bleibt, während du die Teile schärfst, die für deine scanpy-for-Data-Analysis-Aufgabe wirklich wichtig sind.