scanpy

Tổng quan về scanpy skill

scanpy dùng để làm gì

scanpy skill dành cho phân tích single-cell RNA-seq bằng Python: kiểm soát chất lượng, chuẩn hóa, chọn đặc trưng, PCA, UMAP/t-SNE, phân cụm, tìm marker và phân tích khám phá theo kiểu trajectory. Skill này phù hợp nhất khi bạn đã có hoặc có thể tạo một đối tượng AnnData và muốn một hướng dẫn scanpy thực dụng cho Data Analysis, thay vì một quy trình mô hình deep learning.

Ai nên dùng

Hãy dùng scanpy skill nếu bạn đang làm việc với dữ liệu scRNA-seq, chuyển số đếm thô thành một đối tượng sẵn sàng cho phân tích, hoặc chuẩn bị hình và chú giải cụm để diễn giải hay xuất bản. Nó hợp với những người phân tích cần một pipeline khám phá chuẩn và biết rõ mình cần các bước cài đặt và sử dụng scanpy, chứ không cần một bài nhập môn tin sinh học tổng quát.

Điều gì làm nó khác biệt

Repository này tập trung vào workflow Scanpy phổ biến thay vì một tổng quan lý thuyết rộng: nạp dữ liệu, tiền xử lý, embedding, phân cụm và trực quan hóa. Nó cũng làm ranh giới rõ hơn — nếu bạn cần mô hình sinh sâu, hãy tìm đến scvi-tools; nếu vấn đề chính của bạn là cấu trúc AnnData hoặc định dạng file, anndata sẽ là điểm bắt đầu phù hợp hơn.

Cách sử dụng scanpy skill

Cài đặt và kiểm tra skill

Cài scanpy skill theo quy trình thư mục thông thường, rồi mở file skill trước khi đặt prompt:

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

Sau khi cài xong, hãy đọc scientific-skills/scanpy/SKILL.md trước, rồi làm theo các mục được liên kết bên trong file. Ở đây không có script hỗ trợ hay thư mục tham chiếu bổ sung, nên chính nội dung skill là nguồn đáng tin cậy chính.

Cung cấp đầu vào đã sẵn sàng cho phân tích

Prompt scanpy hiệu quả nhất sẽ nêu rõ dạng dữ liệu, định dạng và mục tiêu. Hãy cho biết đầu vào của bạn là .h5ad, đầu ra 10X hay ma trận đếm; có bao nhiêu mẫu hoặc batch; bạn cần ngưỡng QC, tích hợp, phân cụm hay vẽ biểu đồ; và đầu ra bạn muốn là gì. Một prompt yếu sẽ nói “phân tích dữ liệu scRNA-seq của tôi”; một prompt tốt hơn sẽ nói “dùng scanpy để nạp hai bộ dữ liệu 10X, lọc tế bào chất lượng thấp, chuẩn hóa, tính PCA/UMAP, phân cụm ở nhiều độ phân giải, và xác định gene marker cho từng cụm.”

Làm theo một workflow thực tế

Với đa số tác vụ, hãy đi theo thứ tự này: nạp dữ liệu, kiểm tra obs/var, lọc tế bào và gene chất lượng thấp, chuẩn hóa/biến đổi log, chọn highly variable genes, scale và chạy PCA, xây dựng neighbors, tính UMAP, phân cụm, rồi xếp hạng marker hoặc trực quan hóa các bộ gene. Nếu bạn đã có AnnData đã xử lý sẵn, hãy nói rõ; như vậy skill sẽ không lặp lại các bước thiết lập và sẽ tập trung vào những quyết định phân tích còn thiếu.

Đọc đúng phần cần trước

Bắt đầu từ phần đầu của SKILL.md, rồi chuyển nhanh đến các mục sử dụng bao phủ setup, nạp dữ liệu, tiền xử lý, trực quan hóa và phân tích downstream. Nếu repository có nhắc đến định dạng đầu vào hay quy ước cụ thể nào, hãy bám đúng những chi tiết đó trong prompt của bạn. Mục tiêu là giảm phỏng đoán trước khi model viết code hoặc các bước phân tích.

Câu hỏi thường gặp về scanpy skill

scanpy chỉ dành cho scRNA-seq thôi sao?

Đúng, chủ yếu là vậy. scanpy skill tập trung vào workflow single-cell transcriptomics, đặc biệt là phân tích khám phá các ma trận biểu hiện gene. Nó không phải lựa chọn phù hợp cho bulk RNA-seq hay các tác vụ mô hình hóa nên được xử lý bằng những công cụ deep learning chuyên cho single-cell.

Tôi có cần skill này nếu đã biết prompt cho model không?

Nếu bạn đã nắm rõ toàn bộ workflow và các object chính xác, một prompt thông thường có thể đã đủ. scanpy skill hữu ích hơn khi bạn muốn một lộ trình phân tích nhất quán, ít thiếu bước hơn, và default tốt hơn cho QC, tiền xử lý, phân cụm và trực quan hóa.

Skill này có thân thiện với người mới không?

Nó thân thiện với người mới ở chỗ pipeline là chuẩn hóa và skill tập trung vào cách dùng scanpy một cách thực tế. Tuy vậy, nó vẫn giả định bạn hiểu Python cơ bản, các khái niệm single-cell, và sự khác nhau giữa raw counts, dữ liệu đã chuẩn hóa và metadata được chú giải.

Khi nào tôi không nên dùng nó?

Đừng dùng scanpy như skill chính nếu vấn đề của bạn chủ yếu là chuyển đổi file, thiết kế schema AnnData, hoặc xây dựng mô hình neural để suy luận cell state. Trong những trường hợp đó, một skill hay công cụ khác sẽ cho kết quả tốt hơn là cố ép scanpy bao trọn mọi phần của workflow.

Cách cải thiện scanpy skill

Cung cấp những đầu vào làm thay đổi quyết định

Cải thiện chất lượng nhiều nhất đến từ việc nêu rõ kích thước bộ dữ liệu, loài, platform, cấu trúc batch và giai đoạn phân tích hiện tại. Với scanpy usage, hãy cho biết thêm liệu bạn có lo ngại ambient RNA, cần lọc doublet, hay đã có sẵn một bộ marker gene hay chưa, vì các chi tiết này ảnh hưởng trực tiếp đến QC và diễn giải.

Yêu cầu đầu ra, không chỉ yêu cầu các bước

Thay vì hỏi “scanpy analysis”, hãy yêu cầu một đầu ra cụ thể: notebook tiền xử lý, workflow phân cụm, bảng marker gene, hoặc một khối vẽ biểu đồ với UMAP và violin plots. Mục tiêu đầu ra rõ ràng giúp model chọn đúng cấu trúc hướng dẫn scanpy và tránh giải thích lan man những phần cơ bản bạn không cần.

Chú ý các kiểu lỗi thường gặp

Những lỗi phổ biến nhất là bỏ qua ngữ cảnh QC, trộn lẫn raw và normalized layers, phân cụm trước khi kiểm tra neighbors và lựa chọn scaling, và yêu cầu kết quả nhưng không xác định câu hỏi sinh học. Nếu bản đầu tiên quá chung chung, hãy sửa lại bằng object đầu vào chính xác, tên biến và quyết định mà phân tích cần hỗ trợ.

Lặp lại từng ràng buộc một

Sau bản nháp đầu tiên, hãy cải thiện output của scanpy skill bằng cách thêm một ràng buộc: “chỉ dùng h5ad”, “không tích hợp”, “tạo biểu đồ đạt chất lượng xuất bản”, hoặc “giữ nhãn batch trong obs”. Cách này thường tốt hơn việc viết lại toàn bộ vì nó giữ workflow ổn định trong khi siết chặt những phần quan trọng nhất cho tác vụ scanpy for Data Analysis của bạn.