scanpy

scanpy 技能概覽

scanpy 是用來做什麼的

scanpy 技能是用於 Python 的單細胞 RNA-seq 分析：品質控制、正規化、特徵選擇、PCA、UMAP/t-SNE、分群、marker 發掘，以及 trajectory 風格的探索性分析。它最適合你已經有，或可以建立 AnnData 物件，並且想要一份實用的 scanpy Data Analysis 指南，而不是深度學習模型工作流程的人。

適合誰使用

如果你正在處理 scRNA-seq 資料、把原始計數轉成可分析的物件，或準備圖表與 cluster 註解以便解讀或發表，就適合使用 scanpy 技能。它很適合想走標準探索性流程、而且已經知道自己需要 scanpy 安裝與使用步驟的人，而不是需要一本通用生物資訊入門手冊的人。

它和其他技能有什麼不同

這個 repository 聚焦的是常見的 Scanpy 工作流程，而不是廣泛的理論總覽：資料載入、前處理、嵌入、分群與視覺化。它也把適用邊界講得更清楚——如果你需要深度生成模型，請看 scvi-tools；如果你的主要問題是 AnnData 結構或檔案格式，anndata 會是更好的起點。

如何使用 scanpy 技能

安裝並驗證這個技能

先依照一般的目錄工作流程安裝 scanpy 技能，然後在提問前先打開技能檔：

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

安裝完成後，先讀 scientific-skills/scanpy/SKILL.md，再往下看檔案內連結的各個段落。這裡沒有額外的 helper scripts 或 reference folders，所以技能文字本身就是主要依據。

提供可直接分析的輸入

scanpy 最有效的提問，會明確說出資料形狀、格式與目標。請包含你的輸入是 .h5ad、10X 輸出，還是 count matrix；你有多少 samples 或 batches；你需要的是 QC 閾值、整合、分群還是繪圖；以及你希望得到什麼輸出。較弱的提問會說「分析我的 scRNA-seq data」；較好的提問會說「使用 scanpy 載入兩組 10X datasets，過濾低品質細胞、做正規化、計算 PCA/UMAP、以多個解析度分群，並為每個 cluster 找出 marker genes」。

依照務實的工作流程來做

多數任務可以照這個順序處理：載入資料、檢查 obs/var、過濾低品質細胞與基因、正規化與 log 轉換、選取高變異基因、標準化並執行 PCA、建立 neighbors、計算 UMAP、分群，然後排名 marker 或視覺化基因集合。如果你已經有處理過的 AnnData，要直接說明；這樣可以避免技能重複講設定步驟，並讓輸出更聚焦在尚未完成的分析決策上。

先讀對的部分

先從 SKILL.md 開頭讀起，再跳到涵蓋設定、載入、前處理、繪圖與下游分析的使用章節。如果 repository 提到特定的輸入格式或慣例，請在提問中完全比照那些規範。目標是在模型開始寫 code 或分析步驟之前，先把猜測空間降到最低。

scanpy 技能 FAQ

scanpy 只適合 scRNA-seq 嗎？

是的，主要是。scanpy 技能的重心是單細胞轉錄體工作流程，尤其是基因表現矩陣的探索性分析。它不適合 bulk RNA-seq，也不適合那些更應交由專門單細胞深度學習工具處理的建模任務。

如果我已經會向模型提問，還需要這個技能嗎？

如果你已經清楚完整流程和精確物件，直接下 prompt 可能就夠了。當你想要一致的分析路徑、更少漏步，以及在 QC、前處理、分群和視覺化上有更好的預設值時，scanpy 技能就更有價值。

它對初學者友善嗎？

就「流程是標準化的」以及「技能專注於實用的 scanpy 使用」這一點來說，它算是對初學者友善。不過它仍然預設你理解基本 Python、單細胞概念，以及原始計數、正規化資料和標註 metadata 之間的差異。

什麼情況下不該用它？

如果你的問題主要是檔案轉換、AnnData schema 設計，或是要為 cell-state inference 建立神經網路模型，就不要把 scanpy 當主技能。這些情況下，換成其他技能或工具，通常會比硬要 scanpy 包辦整條流程得到更好的結果。

如何改進 scanpy 技能

提供會改變決策的輸入資訊

要明顯提升品質，關鍵是說清楚資料集大小、物種、平台、batch 結構，以及你目前走到分析的哪個階段。對 scanpy 使用來說，也請說明你是否有 ambient RNA 疑慮、是否需要 doublet filtering，或是否已有一組已知的 marker genes，因為這些細節會影響 QC 與解讀方式。

要求輸出成果，不只是步驟

不要只問「scanpy analysis」，而是指定具體交付物：一份 preprocessing notebook、分群工作流程、marker-gene table，或一段包含 UMAP 與 violin plots 的繪圖區塊。明確的輸出目標能幫模型選對 scanpy guide 結構，也能避免它過度解釋你不需要的基礎內容。

注意常見失敗模式

最常見的錯誤包括：跳過 QC 背景、混用 raw 與 normalized layers、還沒確認 neighbors 和 scaling 的選擇就先分群，以及沒有定義生物問題就要求結果。如果第一版太籠統，請改寫時把精確的輸入物件、變數名稱，以及你希望分析支援的決策講清楚。

一次只加一個限制條件

在第一版之後，要改進 scanpy 技能輸出，最好一次只加一個限制條件：例如「只用 h5ad」、「不要做 integration」、「做出可發表等級的圖」，或「在 obs 中保留 batch labels」。這通常比大幅改寫更有效，因為它能維持工作流程穩定，同時收緊對你這個 scanpy for Data Analysis 任務真正重要的部分。