scanpy

Visão geral do skill scanpy

Para que serve o scanpy

O skill scanpy é voltado para análise de RNA-seq de célula única em Python: controle de ხარისხ, normalização, seleção de variáveis, PCA, UMAP/t-SNE, clusterização, descoberta de marcadores e análise exploratória no estilo de trajetórias. Ele funciona melhor quando você já tem, ou consegue criar, um objeto AnnData e quer um guia prático de scanpy para Data Analysis, não um fluxo de trabalho de modelo de deep learning.

Quem deve usar

Use o skill scanpy se você estiver trabalhando com dados de scRNA-seq, convertendo contagens brutas em um objeto pronto para análise ou preparando figuras e anotações de clusters para interpretação ou publicação. Ele é ideal para analistas que querem um pipeline exploratório padrão e já sabem que precisam de etapas de install e uso do scanpy, não de uma introdução geral à bioinformática.

O que o diferencia

Este repositório concentra o fluxo de trabalho mais comum do Scanpy em vez de uma visão ampla de teoria: carregamento de dados, pré-processamento, embeddings, clusterização e visualização. Ele também deixa os limites mais claros — se você precisa de modelos generativos profundos, procure scvi-tools; se o seu principal problema é a estrutura do AnnData ou formatos de arquivo, anndata é um ponto de partida melhor.

Como usar o skill scanpy

Instale e verifique o skill

Instale o skill scanpy no fluxo normal do diretório e, antes de fazer perguntas, abra o arquivo do skill:

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

Depois da instalação, leia primeiro scientific-skills/scanpy/SKILL.md e só então siga as seções vinculadas dentro do arquivo. Não há scripts auxiliares nem pastas de referência extras aqui, então o próprio texto do skill é a principal fonte de verdade.

Forneça entradas prontas para análise

As melhores solicitações para uso do scanpy especificam formato, estrutura e objetivo dos dados. Inclua se a entrada é .h5ad, saída do 10X ou uma matriz de contagens; quantas amostras ou batches você tem; se precisa de thresholds de QC, integração, clusterização ou gráficos; e qual saída deseja. Um prompt fraco diz “analise meus dados de scRNA-seq”; um melhor diz “use scanpy para carregar dois datasets 10X, filtrar células de baixa qualidade, normalizar, calcular PCA/UMAP, clusterizar em múltiplas resoluções e identificar genes marcadores para cada cluster”.

Siga um fluxo de trabalho prático

Na maioria das tarefas, trabalhe nesta ordem: carregar os dados, inspecionar obs/var, filtrar células e genes de baixa qualidade, normalizar/aplicar log, selecionar genes altamente variáveis, escalar e executar PCA, construir vizinhos, calcular UMAP, clusterizar e então ranquear marcadores ou visualizar conjuntos de genes. Se você já tem um AnnData processado, diga isso; assim o skill não repete etapas de configuração e mantém a resposta focada nas decisões de análise que faltam.

Leia primeiro as partes certas

Comece pelo topo de SKILL.md e depois vá direto às seções de uso que cobrem configuração, carregamento, pré-processamento, plotagem e análise downstream. Se o repositório mencionar formatos de entrada ou convenções específicas, reproduza exatamente isso no seu prompt. O objetivo é reduzir a margem de adivinhação antes que o modelo escreva código ou etapas de análise.

FAQ do skill scanpy

O scanpy é só para scRNA-seq?

Sim, principalmente. O skill scanpy é centrado em fluxos de trabalho de transcriptômica de célula única, especialmente análise exploratória de matrizes de expressão gênica. Ele não é a melhor escolha para RNA-seq bulk nem para tarefas de modelagem que ficam melhor em ferramentas especializadas de deep learning para single-cell.

Preciso do skill se já sei fazer prompts para um modelo?

Se você já conhece o fluxo completo e os objetos exatos, um prompt simples pode bastar. O skill scanpy é mais útil quando você quer um caminho de análise consistente, menos etapas faltando e melhores padrões para QC, pré-processamento, clusterização e visualização.

Ele é amigável para iniciantes?

É amigável para iniciantes no sentido de que o pipeline é padrão e o skill foca no uso prático do scanpy. Ainda assim, ele pressupõe que você entenda Python básico, conceitos de single-cell e a diferença entre contagens brutas, dados normalizados e metadados anotados.

Quando eu não devo usá-lo?

Não use scanpy como skill principal se o seu problema for sobretudo conversão de arquivos, design do esquema de AnnData ou criação de modelos neurais para inferência de estado celular. Nesses casos, outra skill ou ferramenta tende a entregar resultados melhores do que tentar fazer o scanpy cobrir todas as partes do fluxo.

Como melhorar o skill scanpy

Forneça os inputs que mudam decisões

Os maiores ganhos de qualidade vêm de informar tamanho do dataset, organismo, plataforma, estrutura de batches e em que etapa da análise você já está. No uso de scanpy, inclua também se há preocupação com RNA ambiente, necessidade de filtragem de doublets ou um conjunto conhecido de genes marcadores, porque esses detalhes afetam QC e interpretação.

Peça entregáveis, não só etapas

Em vez de pedir “análise em scanpy”, peça algo concreto: um notebook de pré-processamento, um fluxo de clusterização, uma tabela de genes marcadores ou um bloco de plotagem com UMAP e violin plots. Objetivos de saída claros ajudam o modelo a escolher a estrutura certa do guia de scanpy e evitam explicações demais sobre o básico que você não precisa.

Fique atento aos erros mais comuns

Os erros mais frequentes são pular o contexto de QC, misturar camadas brutas e normalizadas, clusterizar antes de verificar vizinhos e escolhas de escala e pedir resultados sem definir a pergunta biológica. Se a primeira versão ficar genérica demais, revise com o objeto de entrada exato, os nomes das variáveis e a decisão que você quer que a análise apoie.

Itere adicionando uma restrição por vez

Depois do primeiro rascunho, melhore a saída do skill scanpy acrescentando uma restrição: “use apenas h5ad”, “evite integração”, “faça gráficos prontos para publicação” ou “preserve os rótulos de batch em obs”. Normalmente isso é melhor do que reescrever tudo de forma ampla, porque mantém o fluxo estável enquanto aperta os pontos que importam para sua tarefa de scanpy para Data Analysis.