核心要点
- scRNA-seq 的可解释 AI 意味着让每个分析步骤透明：为什么细胞这样聚类、为什么某基因被判为差异表达、为什么推断出这条轨迹
- AI Agent（MedgeClaw、OmicsClaw、BioClaw）可自动化 scRNA-seq 流水线，同时提供逐步推理
- K-Dense scRNA-seq 技能编码最佳实践：标准化方法选择、聚类参数论证、标记基因验证
- 关键可解释性技术：SHAP 值、注意力可视化、溯源追踪、参数敏感度分析
- 差距：大多数工具自动化执行但不解释决策——可解释性是下一个前沿
为什么可解释性在 scRNA-seq 中重要？
scRNA-seq 生成复杂高维数据。标准分析涉及质控、标准化、降维、聚类和差异表达——几十个影响最终结果的决策。
问题： 大多数 AI Agent 自动化这些步骤但不解释为什么选择特定参数。审稿人问"为什么用 Leiden 聚类分辨率 0.8 而不是 1.2？"——没有答案。
可解释 scRNA-seq 分析工具
| 工具 | 可解释性级别 | 如何解释 |
|---|---|---|
| MedgeClaw | 高 | K-Dense 技能编码参数论证；研究 Dashboard 显示推理 |
| OmicsClaw | 中 | 多组学流水线含步骤日志；参数解释较少 |
| BioClaw | 低 | 执行分析但决策解释最少 |
| Scanpy（手动） | 无 | 用户需手动论证所有决策 |
K-Dense scRNA-seq 技能：内置可解释性
标准化技能：
- 选择方法前评估文库大小分布
- 解释为什么选 SCTransform 而非 log-normalization
- 记录批次效应评估和校正决策
聚类技能：
- 测试多个分辨率并报告轮廓系数
- 用生物学验证（标记基因）论证最终分辨率选择
- 标记潜在的过度聚类或欠聚类
常见问题（FAQ）
Q1：哪个工具的 scRNA-seq 可解释性最好？
MedgeClaw + K-Dense 技能目前提供最多内置可解释性——参数论证、研究 Dashboard 和溯源追踪。
Q2：可以给现有 Scanpy 工作流添加可解释性吗？
可以。安装 K-Dense scRNA-seq 技能，配合 Claude Code 使用。技能用决策论证逻辑包装 Scanpy 函数。
Q3：发表需要可解释性吗？
越来越需要。审稿人期望分析参数的论证。可解释 AI 工作流自动生成回答"为什么"问题的方法部分。
总结
scRNA-seq 的可解释 AI 是自动化之后的下一个前沿。虽然 MedgeClaw 和 OmicsClaw 能自动化完整分析流水线，真正的价值在于解释为什么做出每个决策。K-Dense scRNA-seq 技能通过将专家推理直接编码到分析工作流中领先这一领域。