单细胞Ana-Python

🌟单细胞分析框架概览（总）

单细胞组学是当前生命科学研究中的热点领域，随着技术发展，分析工具生态也日趋完善。当前主流的单细胞分析框架主要分为三大阵营：

框架	语言	代表生态
Bioconductor	R	多种包：SingleCellExperiment、scran 等
Seurat	R	Seurat 本身支持多模态和空间数据
scverse	Python	scanpy, anndata, muon, scvi-tools, scirpy, squidpy, cell2location, 等

其中 scverse 是当前发展最迅速的生态系统，具有出色的可扩展性、模块化能力，并与 Python 的机器学习、图像处理生态高度兼容，逐渐成为现代大数据单细胞分析的主流选择。

---

📦 1. scverse 生态核心工具详解（分）

1.1 anndata：统一数据结构核心

• 基本对象：AnnData，用于存储单细胞表达矩阵及其元数据。
• 数据槽设计（类似 HDF5 层级结构）：
  • X：主表达矩阵（通常为稀疏矩阵）
  • obs / var：细胞和基因注释
  • obsm / varm：嵌入维度数据（如UMAP, PCA）
  • layers：不同变换方式的表达矩阵
  • uns：非结构化元信息（颜色映射、聚类设置等）
  • obsp / varp：细胞对/基因对关系矩阵（如邻接图）

📖 官方教程：anndata 文档

---

1.2 scanpy：单细胞表达分析主力库

提供完整分析流程：

• 预处理：过滤、归一化、对数化
• 降维：PCA、UMAP、t-SNE
• 聚类：louvain、leiden
• 差异表达分析：sc.tl.rank_genes_groups
• 可视化：UMAP图、热图、空间图（spatial）

🌍 空间可视化函数：

sc.pl.spatial(adata, color="gene_name", img_key="hires")

📖 教程：Scanpy API

---

1.3 muon：多组学分析框架

• 支持 scRNA+ATAC、CITE-seq 等多模态整合分析。
• 核心对象：MuData，扩展自 AnnData。
• 完美兼容 scanpy 与 scvi-tools。

📖 文档：https://muon.scverse.org

---

1.4 scvi-tools：基于深度学习的统计建模工具包

用于高阶分析，核心方法为变分自编码器（VAE）：

• 批次效应校正
• 数据降噪与特征提取
• 差异表达分析
• 多组学联合建模

📌 模型支持：

• SCVI：基础VAE建模
• TOTALVI：RNA+蛋白
• MULTIVI：RNA+ATAC
• PEVI：预测性建模

📖 文档：https://docs.scvi-tools.org

---

1.5 SpatialData 与 Squidpy：空间组学利器

• SpatialData：统一空间数据存储框架，支持 FAIR 原则。
• Squidpy：用于分析和可视化空间转录组与组织图像数据，功能包括：
  • 邻域图构建
  • 空间统计
  • 图像整合与分割
  • napari 交互式可视化

📖 文档：https://squidpy.readthedocs.io

---

1.6 scirpy：TCR/BCR 重构分析

• 支持从单细胞测序数据中分析TCR/BCR序列重构
• 与 scanpy 和 mudata 高度兼容
• 模块丰富，支持聚类、克隆图谱可视化等

📖 文档：https://scirpy.scverse.org

---

1.7 其他常用工具包（简略介绍）

工具	功能
pySCENIC	转录因子活性分析
scVelo	RNA velocity 分析
cell2location	空间定位细胞类型
tangram	scRNA与空间数据对齐
DoubletDetection	检测双细胞
CellRank	动态细胞轨迹推断
PyDESeq2	bulk RNA-seq 差异分析（Python实现）
cellxgene	高效交互式可视化工具
hotspot	基因模块识别

---

🧠 总结（总）

基于当前单细胞分析需求的复杂性，scverse 生态成为单细胞 Python 社区的分析标准。其高度模块化的数据结构（anndata, mudata, spatialdata）以及围绕 scanpy / scvi-tools 等工具构建的分析工作流，为科研人员提供了从原始数据导入到建模、可视化、解释的一站式解决方案。

随着空间组学、多模态组学数据的普及，工具如 muon、SpatialData、Squidpy 也将成为未来研究的关键工具。

---

🧪 代码总结（实用框架）

# 1. 导入数据
import scanpy as sc
adata = sc.read_10x_h5("filtered_feature_bc_matrix.h5")

# 2. 基础预处理
sc.pp.filter_cells(adata, min_genes=200)
sc.pp.normalize_total(adata, target_sum=1e4)
sc.pp.log1p(adata)
sc.pp.highly_variable_genes(adata, n_top_genes=2000)

# 3. 降维 + 聚类
sc.pp.pca(adata)
sc.pp.neighbors(adata)
sc.tl.umap(adata)
sc.tl.leiden(adata)

# 4. 差异表达分析
sc.tl.rank_genes_groups(adata, groupby="leiden", method="t-test")

# 5. 可视化
sc.pl.umap(adata, color=["leiden"])
sc.pl.rank_genes_groups_heatmap(adata, groups="3", n_genes=10)

# 6. 空间可视化（如有空间数据）
sc.pl.spatial(adata, color="GeneX", img_key="hires", size=1.5)

# 7. scvi-tools 初始化（如需高级分析）
from scvi.model import SCVI
import scvi
scvi.data.setup_anndata(adata)
model = SCVI(adata)
model.train()
adata.obsm["X_scVI"] = model.get_latents()

---