核心要点
- scRNA-seq 分析需要 8+ 个步骤——每个都受益于专业 AI 技能
- K-Dense scRNA-seq 技能覆盖最全面：质控、标准化、聚类、差异表达、轨迹
- MedgeClaw 打包 140 个 K-Dense 技能，含完整 scRNA-seq 流水线支持
- 技能编码专家决策：为什么选 SCTransform、最优 Leiden 分辨率、合适的统计检验
- 包装工具：Scanpy、Seurat、scVI、CellRanger、Harmony、scVelo
scRNA-seq 分析流水线
| 步骤 | 功能 | 关键决策 | 技能覆盖 |
|---|---|---|---|
| 1. 质控 | 过滤低质量细胞/基因 | 阈值选择 | K-Dense ✓ |
| 2. 标准化 | 缩放表达值 | SCTransform vs log | K-Dense ✓ |
| 3. HVG 选择 | 识别高变基因 | HVG 数量、方法 | K-Dense ✓ |
| 4. 批次校正 | 去除技术变异 | Harmony vs BBKNN vs scVI | K-Dense ✓ |
| 5. 降维 | PCA → UMAP/t-SNE | PC 数量 | K-Dense ✓ |
| 6. 聚类 | 分组相似细胞 | 分辨率参数 | K-Dense ✓ |
| 7. 差异表达 | 找标记基因 | 统计检验选择 | K-Dense ✓ |
| 8. 轨迹推断 | 伪时序排列细胞 | 根细胞选择 | K-Dense ✓ |
常见问题（FAQ）
Q1：应该用 Scanpy 还是 Seurat 技能？
K-Dense 两者都提供。Scanpy 技能更全面（Python 生态集成更好）。如果实验室标准化用 R，则用 Seurat。
Q2：技能如何处理批次校正？
批次校正技能评估数据结构（批次数、批次大小、混杂因素）并推荐合适方法，解释为什么针对你的数据集选择 Harmony 而非 BBKNN。
总结
scRNA-seq 分析涉及 8+ 步骤，每步需要专家决策。K-Dense scRNA-seq 技能覆盖最全面——编码参数选择、方法选择和结果验证的专家知识。完整配置推荐 MedgeClaw（打包 140 技能）或单独安装 K-Dense 技能。