科研插件

单细胞与虚拟细胞

单细胞、多模态与虚拟细胞分析。

官方收录发布者 Codar安全审核通过v0.3.239 个 Skill

README

单细胞与虚拟细胞:Skill 导航与方法比较

本 README 按任务而不是按来源组织 Skill。表中的入口完成相同或相近任务, 但算法假设、输入格式、计算资源和输出不同;它们是选择关系,不是待删除副本。 除非表格明确说明,描述不构成跨数据集 benchmark,实际选择仍应结合数据与版本验证。

使用方法

  1. 先定位任务族,再按“重点比较”判断数据、目标和资源约束。
  2. 打开候选 SKILL.md 核对命令、输入输出和陷阱;不要只凭工具名选择。
  3. 对模型类方法优先保留独立验证集或第二模型共识;对统计方法先核对假设。

单细胞质量控制

共同目标:围绕“单细胞质量控制”完成同一分析环节;以下入口保留不同算法、工具或工作流。

重点比较:比较固定阈值、MAD/混合模型和模型化 QC,核对组织类型、测序深度、线粒体比例和双细胞。

本任务族共有 3 个独立入口、3 个名称。

Skill技术路线/资源标签适用范围与主要差异
ScRNA-计算并解释单细胞样本的Python、单细胞使用 ScRNA qc 计算并解释单细胞样本的 QC 指标与异常细胞标记。适用于评估文库大小、检测基因数、线粒体比例、复杂度、空滴、doublet 或样本级异常;QC 是样本感知的判定过程,不是套用一组跨组织通用阈值。
单细胞-rna-qcPython、单细胞使用 单细胞 rna qc 计算并解释单细胞样本的 QC 指标与异常细胞标记。适用于评估文库大小、检测基因数、线粒体比例、复杂度、空滴、doublet 或样本级异常;QC 是样本感知的判定过程,不是套用一组跨组织通用阈值。
单-细胞-RNA-seq-质量-control-归一化R/Bioconductor、单细胞Use when when you have a raw or minimally processed scRNA-seq dataset (e.g., a Seurat object loaded from GEO) and need to prepare it for pathway enrichment or coregulation analysis.

单细胞批次整合

共同目标:围绕“单细胞批次整合”完成同一分析环节;以下入口保留不同算法、工具或工作流。

重点比较:比较线性校正、邻域匹配和生成模型;只去除技术批次,保留真实生物条件。

本任务族共有 5 个独立入口、5 个名称。

Skill技术路线/资源标签适用范围与主要差异
机器学习Python、单细胞Maps query single-cell data to reference atlases using scArches transfer learning with scVI and scANVI models. Transfers cell type labels without retraining on combined data. Use when annotating new single-cell datasets…
单细胞-批次-整合Python、单细胞使用 单细胞 batch integration 校正技术批次或把查询细胞映射到固定参考空间。适用于使用 Harmony、scVI/scArches、Seurat anchors 或 Scanpy ingest 进行批次校正和 atlas mapping;不要把生物条件当作需要消除的批次,也不要用整合值做未经验证的差异表达。
Harmony-批次校正Python使用 Harmony 批次校正 校正技术批次或把查询细胞映射到固定参考空间。适用于使用 Harmony、scVI/scArches、Seurat anchors 或 Scanpy ingest 进行批次校正和 atlas mapping;不要把生物条件当作需要消除的批次,也不要用整合值做未经验证的差异表达。
单细胞-聚类-批次-correction-omicversePython、单细胞使用 单细胞 clustering and batch correction with omicverse 校正技术批次或把查询细胞映射到固定参考空间。适用于使用 Harmony、scVI/scArches、Seurat anchors 或 Scanpy ingest 进行批次校正和 atlas mapping;不要把生物条件当作需要消除的批次,也不要用整合值做未经验证的差异表达。
分析单细胞|

细胞类型注释

共同目标:围绕“细胞类型注释”完成同一分析环节;以下入口保留不同算法、工具或工作流。

重点比较:比较 marker 规则、参考映射、监督分类和生成模型,关注未知类型拒识与参考域偏移。

本任务族共有 5 个独立入口、5 个名称。

Skill技术路线/资源标签适用范围与主要差异
机器学习Python使用 Machine learning atlas mapping 结合参考映射、监督模型和 marker 证据为细胞赋予标签。适用于进行 CellTypist、SingleR、Azimuth、scArches/PopV 或人工 marker 辅助注释;预测标签不是事实标签;低置信、参考缺失和疾病特异状态必须保留为 unknown/uncertain。
CellTypist-细胞注释Python使用 CellTypist 细胞注释 结合参考映射、监督模型和 marker 证据为细胞赋予标签。适用于进行 CellTypist、SingleR、Azimuth、scArches/PopV 或人工 marker 辅助注释;预测标签不是事实标签;低置信、参考缺失和疾病特异状态必须保留为 unknown/uncertain。
CellTypist-单细胞Python、单细胞使用预训练逻辑回归模型对 scRNA-seq 细胞进行快速类型注释和多数投票。适用于免疫或已有匹配模型的组织;模型未覆盖的状态不能通过高分强制命名。
SingleR-单细胞R/Bioconductor、单细胞使用 SingleR 将查询细胞或聚类与参考表达谱相关匹配并转移标签。适用于有匹配物种/组织参考的注释;pruned.labels 和 delta 是识别低置信预测的关键。
结合参考映射Python使用 Tme immune profiling agent 结合参考映射、监督模型和 marker 证据为细胞赋予标签。适用于进行 CellTypist、SingleR、Azimuth、scArches/PopV 或人工 marker 辅助注释;预测标签不是事实标签;低置信、参考缺失和疾病特异状态必须保留为 unknown/uncertain。

单细胞聚类

共同目标:围绕“单细胞聚类”完成同一分析环节;以下入口保留不同算法、工具或工作流。

重点比较:比较图聚类和模型聚类,重点看邻居图、分辨率、稳定性及批次校正空间。

本任务族共有 2 个独立入口、2 个名称。

Skill技术路线/资源标签适用范围与主要差异
单细胞-聚类Python、单细胞使用 单细胞 clustering 基于邻居图识别细胞群并评估分辨率稳定性。适用于运行 Leiden/Louvain 或比较不同邻居图和 resolution 下的细胞社区;UMAP/t-SNE 坐标不是聚类输入;聚类结果也不自动等于生物学细胞类型。
单细胞-聚类-批次-correction-omicversePython、单细胞使用 单细胞 clustering and batch correction with omicverse 校正技术批次或把查询细胞映射到固定参考空间。适用于使用 Harmony、scVI/scArches、Seurat anchors 或 Scanpy ingest 进行批次校正和 atlas mapping;不要把生物条件当作需要消除的批次,也不要用整合值做未经验证的差异表达。

双细胞检测

共同目标:围绕“双细胞检测”完成同一分析环节;以下入口保留不同算法、工具或工作流。

重点比较:比较模拟双细胞、邻域密度和生成模型,关注预期 doublet rate、异型/同型双细胞。

本任务族共有 3 个独立入口、3 个名称。

Skill技术路线/资源标签适用范围与主要差异
单细胞-doublet-检测Python、单细胞使用 单细胞 doublet detection 计算并解释单细胞样本的 QC 指标与异常细胞标记。适用于评估文库大小、检测基因数、线粒体比例、复杂度、空滴、doublet 或样本级异常;QC 是样本感知的判定过程,不是套用一组跨组织通用阈值。
单细胞-Doublet-检测Python、单细胞使用 Scrublet、DoubletFinder 或 scDblFinder 标记疑似多细胞液滴。适用于液滴 scRNA-seq QC;预测分数依赖文库装载和细胞组成,不能使用跨样本统一阈值。
单细胞-doublet-检测Python使用 单细胞 doublet detection 计算并解释单细胞样本的 QC 指标与异常细胞标记。适用于评估文库大小、检测基因数、线粒体比例、复杂度、空滴、doublet 或样本级异常;QC 是样本感知的判定过程,不是套用一组跨组织通用阈值。

环境 RNA 校正

共同目标:围绕“环境 RNA 校正”完成同一分析环节;以下入口保留不同算法、工具或工作流。

重点比较:比较空液滴估计、背景表达模型和计数去污染,注意不要抹除真实低表达信号。

本任务族共有 2 个独立入口、2 个名称。

Skill技术路线/资源标签适用范围与主要差异
CellBender-计算并解释单细胞样本的GPU、CLI使用 CellBender 计算并解释单细胞样本的 QC 指标与异常细胞标记。适用于评估文库大小、检测基因数、线粒体比例、复杂度、空滴、doublet 或样本级异常;QC 是样本感知的判定过程,不是套用一组跨组织通用阈值。
Ambient-RNA-校正CLI、单细胞校正液滴单细胞 RNA-seq 中来自空滴或裂解细胞的环境 RNA。适用于具有 raw/filtered droplet 矩阵的 SoupX 或 CellBender 分析;没有原始液滴背景时不要声称完成了可靠去污染。

轨迹与伪时间

共同目标:围绕“轨迹与伪时间”完成同一分析环节;以下入口保留不同算法、工具或工作流。

重点比较:比较图、主曲线、扩散和概率命运模型,关注根节点、分支拓扑和时间方向假设。

本任务族共有 5 个独立入口、5 个名称。

Skill技术路线/资源标签适用范围与主要差异
monocle3-trajectory-嵌入R/Bioconductor、单细胞Use when you have an ArchR project object with dimensionality reduction results (LSI or combined dimensions from scATAC-seq ± scRNA-seq) and want to infer pseudotime trajectories and cell-state transitions.
Monocle-3-伪时间R/Bioconductor、单细胞使用 Monocle 3 学习 principal graph、选择根节点并计算伪时间。适用于分支轨迹探索;根节点选择决定方向,伪时间不是实际时钟。
Palantir-分化潜能Python、单细胞使用 Palantir 的扩散空间和马尔可夫过程计算伪时间、分化潜能和分支概率。适用于连续分化数据;起始细胞选择和早期细胞覆盖决定方向。
Slingshot-轨迹推断R/Bioconductor、单细胞使用聚类与降维坐标学习最小生成树和 principal curves,并输出分支伪时间。适用于已知起始群或候选谱系;聚类与起点选择会改变曲线。
slingshot-trajectory-嵌入R/Bioconductor、单细胞Use when you have an ArchR project with clustered single-cell ATAC-seq cells and want to reconstruct developmental or cellular transition trajectories. Use this skill when your research question requires ordering cells…

RNA velocity

共同目标:围绕“RNA velocity”完成同一分析环节;以下入口保留不同算法、工具或工作流。

重点比较:比较稳态、动力学和生成模型,核对 spliced/unspliced 计数、时间尺度与相位图诊断。

本任务族共有 2 个独立入口、2 个名称。

Skill技术路线/资源标签适用范围与主要差异
RNA-velocity-工作流Python使用 RNA velocity 工作流 推断细胞状态转变、伪时间或终末命运概率。适用于运行 Monocle、Slingshot、Palantir、scVelo、CellRank 或相关时间过程模型;轨迹方向依赖根/终点、动力学假设和采样设计;横截面数据不能证明真实谱系。
scVelo-计数估计Python使用 spliced/unspliced 计数估计 RNA velocity、动力学潜时间和转移图。适用于剪接层质量足够的时间过程;箭头不能单独证明谱系方向。

单细胞扰动分析

共同目标:围绕“单细胞扰动分析”完成同一分析环节;以下入口保留不同算法、工具或工作流。

重点比较:比较差异效应、latent perturbation 和组合扰动模型,关注对照设计、剂量与外推边界。

本任务族共有 6 个独立入口、6 个名称。

Skill技术路线/资源标签适用范围与主要差异
分析Python使用 Crispr screens perturb seq analysis 分析 CRISPR 扰动数据或预测未观测扰动响应。适用于进行 Perturb-seq QC/效应估计、GEARS/CPA/相关模型训练或虚拟扰动筛选;实验扰动分析与模型生成的虚拟响应必须分开标记;预测不能替代真实干预。
单细胞-perturb-seqPython、单细胞使用 单细胞 perturb seq 分析 CRISPR 扰动数据或预测未观测扰动响应。适用于进行 Perturb-seq QC/效应估计、GEARS/CPA/相关模型训练或虚拟扰动筛选;实验扰动分析与模型生成的虚拟响应必须分开标记;预测不能替代真实干预。
扰动数据或预测未观测扰动响应Python使用 Workflows crispr screen pipeline 分析 CRISPR 扰动数据或预测未观测扰动响应。适用于进行 Perturb-seq QC/效应估计、GEARS/CPA/相关模型训练或虚拟扰动筛选;实验扰动分析与模型生成的虚拟响应必须分开标记;预测不能替代真实干预。
分析Python使用 Crispr screens perturb seq analysis 分析 CRISPR 扰动数据或预测未观测扰动响应。适用于进行 Perturb-seq QC/效应估计、GEARS/CPA/相关模型训练或虚拟扰动筛选;实验扰动分析与模型生成的虚拟响应必须分开标记;预测不能替代真实干预。
Perturb-seq-分析Python分析单细胞 CRISPR 扰动实验的 guide 分配、QC、扰动效应和基因程序。适用于真实 Perturb-seq/CROP-seq;必须区分 non-targeting、低 MOI 单 guide 和多 guide/组合设计。
虚拟细胞扰动路由Python、单细胞根据问题选择 GEARS、CPA/chemCPA、CellOracle、RegVelo 或 scTenifoldKnk 等虚拟扰动方法。适用于明确的模型预测任务;没有训练域、checkpoint 或验证设计时应拒绝生成伪精确响应。

名称不同但语义近似的补充候选

以下分组由名称与描述中的稀有任务词识别,未自动合并。它们可能是别名、 包含关系或相邻步骤;使用前应以各自入口的输入输出边界为准。

候选组 1

  • PopV-细胞注释共识:使用 PopV 细胞注释共识 结合参考映射、监督模型和 marker 证据为细胞赋予标签。适用于进行 CellTypist、SingleR、Azimuth、scArches/PopV 或人工 marker 辅助注释;预测标签不是事实标签;低置信、参考缺失和疾病特异状态必须保留为 unknown/uncertain。
  • 单细胞-注释:使用 单细胞 annotation 结合参考映射、监督模型和 marker 证据为细胞赋予标签。适用于进行 CellTypist、SingleR、Azimuth、scArches/PopV 或人工 marker 辅助注释;预测标签不是事实标签;低置信、参考缺失和疾病特异状态必须保留为 unknown/uncertain。
  • CellTypist-细胞注释:使用 CellTypist 细胞注释 结合参考映射、监督模型和 marker 证据为细胞赋予标签。适用于进行 CellTypist、SingleR、Azimuth、scArches/PopV 或人工 marker 辅助注释;预测标签不是事实标签;低置信、参考缺失和疾病特异状态必须保留为 unknown/uncertain。
  • 单细胞-注释-guide:使用 单细胞 annotation guide 结合参考映射、监督模型和 marker 证据为细胞赋予标签。适用于进行 CellTypist、SingleR、Azimuth、scArches/PopV 或人工 marker 辅助注释;预测标签不是事实标签;低置信、参考缺失和疾病特异状态必须保留为 unknown/uncertain。
  • 结合参考映射:使用 Celltype specificity profiler 结合参考映射、监督模型和 marker 证据为细胞赋予标签。适用于进行 CellTypist、SingleR、Azimuth、scArches/PopV 或人工 marker 辅助注释;预测标签不是事实标签;低置信、参考缺失和疾病特异状态必须保留为 unknown/uncertain。
  • 机器学习:使用 Machine learning atlas mapping 结合参考映射、监督模型和 marker 证据为细胞赋予标签。适用于进行 CellTypist、SingleR、Azimuth、scArches/PopV 或人工 marker 辅助注释;预测标签不是事实标签;低置信、参考缺失和疾病特异状态必须保留为 unknown/uncertain。
  • 单细胞-细胞-注释:使用 单细胞 cell annotation 结合参考映射、监督模型和 marker 证据为细胞赋予标签。适用于进行 CellTypist、SingleR、Azimuth、scArches/PopV 或人工 marker 辅助注释;预测标签不是事实标签;低置信、参考缺失和疾病特异状态必须保留为 unknown/uncertain。
  • Universal-单细胞-annotator:使用 Universal 单细胞 annotator 结合参考映射、监督模型和 marker 证据为细胞赋予标签。适用于进行 CellTypist、SingleR、Azimuth、scArches/PopV 或人工 marker 辅助注释;预测标签不是事实标签;低置信、参考缺失和疾病特异状态必须保留为 unknown/uncertain。
  • 单细胞-markers-注释:使用 单细胞 markers annotation 结合参考映射、监督模型和 marker 证据为细胞赋予标签。适用于进行 CellTypist、SingleR、Azimuth、scArches/PopV 或人工 marker 辅助注释;预测标签不是事实标签;低置信、参考缺失和疾病特异状态必须保留为 unknown/uncertain。
  • 单细胞-注释-omicverse:使用 单细胞 annotation skills with omicverse 结合参考映射、监督模型和 marker 证据为细胞赋予标签。适用于进行 CellTypist、SingleR、Azimuth、scArches/PopV 或人工 marker 辅助注释;预测标签不是事实标签;低置信、参考缺失和疾病特异状态必须保留为 unknown/uncert…
  • 结合参考映射:使用 Tme immune profiling agent 结合参考映射、监督模型和 marker 证据为细胞赋予标签。适用于进行 CellTypist、SingleR、Azimuth、scArches/PopV 或人工 marker 辅助注释;预测标签不是事实标签;低置信、参考缺失和疾病特异状态必须保留为 unknown/uncertain。
  • 机器学习:使用 Machine learning atlas mapping 结合参考映射、监督模型和 marker 证据为细胞赋予标签。适用于进行 CellTypist、SingleR、Azimuth、scArches/PopV 或人工 marker 辅助注释;预测标签不是事实标签;低置信、参考缺失和疾病特异状态必须保留为 unknown/uncertain。

候选组 2

  • ScRNA-计算并解释单细胞样本的:使用 ScRNA qc 计算并解释单细胞样本的 QC 指标与异常细胞标记。适用于评估文库大小、检测基因数、线粒体比例、复杂度、空滴、doublet 或样本级异常;QC 是样本感知的判定过程,不是套用一组跨组织通用阈值。
  • CellBender-计算并解释单细胞样本的:使用 CellBender 计算并解释单细胞样本的 QC 指标与异常细胞标记。适用于评估文库大小、检测基因数、线粒体比例、复杂度、空滴、doublet 或样本级异常;QC 是样本感知的判定过程,不是套用一组跨组织通用阈值。
  • 单细胞-rna-qc:使用 单细胞 rna qc 计算并解释单细胞样本的 QC 指标与异常细胞标记。适用于评估文库大小、检测基因数、线粒体比例、复杂度、空滴、doublet 或样本级异常;QC 是样本感知的判定过程,不是套用一组跨组织通用阈值。
  • 处理:使用 Read qc umi processing 计算并解释单细胞样本的 QC 指标与异常细胞标记。适用于评估文库大小、检测基因数、线粒体比例、复杂度、空滴、doublet 或样本级异常;QC 是样本感知的判定过程,不是套用一组跨组织通用阈值。
  • 分析:使用 Fastq analysis pipeline 计算并解释单细胞样本的 QC 指标与异常细胞标记。适用于评估文库大小、检测基因数、线粒体比例、复杂度、空滴、doublet 或样本级异常;QC 是样本感知的判定过程,不是套用一组跨组织通用阈值。
  • 单细胞-doublet-检测:使用 单细胞 doublet detection 计算并解释单细胞样本的 QC 指标与异常细胞标记。适用于评估文库大小、检测基因数、线粒体比例、复杂度、空滴、doublet 或样本级异常;QC 是样本感知的判定过程,不是套用一组跨组织通用阈值。
  • 单细胞-doublet-检测:使用 单细胞 doublet detection 计算并解释单细胞样本的 QC 指标与异常细胞标记。适用于评估文库大小、检测基因数、线粒体比例、复杂度、空滴、doublet 或样本级异常;QC 是样本感知的判定过程,不是套用一组跨组织通用阈值。
  • 处理:使用 Read qc umi processing 计算并解释单细胞样本的 QC 指标与异常细胞标记。适用于评估文库大小、检测基因数、线粒体比例、复杂度、空滴、doublet 或样本级异常;QC 是样本感知的判定过程,不是套用一组跨组织通用阈值。

候选组 3

  • Scanpy-单细胞分析:使用 Scanpy 单细胞分析 把原始计数整理为保留审计轨迹的分析对象。适用于进行细胞/基因 QC、归一化、高变基因、PCA 和邻居图准备;ambient RNA、doublet、批次整合和细胞注释需要单独的方法选择,不能被一个固定阈值模板代替。
  • Seurat-单细胞分析:使用 Seurat 单细胞分析 把原始计数整理为保留审计轨迹的分析对象。适用于进行细胞/基因 QC、归一化、高变基因、PCA 和邻居图准备;ambient RNA、doublet、批次整合和细胞注释需要单独的方法选择,不能被一个固定阈值模板代替。
  • 把原始计数整理为保留审计轨迹的分析对象:使用 Scanpy scRNA-seq 把原始计数整理为保留审计轨迹的分析对象。适用于进行细胞/基因 QC、归一化、高变基因、PCA 和邻居图准备;ambient RNA、doublet、批次整合和细胞注释需要单独的方法选择,不能被一个固定阈值模板代替。
  • Scanpy-单细胞分析:使用 Scanpy 单细胞分析 把原始计数整理为保留审计轨迹的分析对象。适用于进行细胞/基因 QC、归一化、高变基因、PCA 和邻居图准备;ambient RNA、doublet、批次整合和细胞注释需要单独的方法选择,不能被一个固定阈值模板代替。
  • 把原始计数整理为保留审计轨迹的分析对象:使用 Nfcore scRNAseq wrapper 把原始计数整理为保留审计轨迹的分析对象。适用于进行细胞/基因 QC、归一化、高变基因、PCA 和邻居图准备;ambient RNA、doublet、批次整合和细胞注释需要单独的方法选择,不能被一个固定阈值模板代替。
  • 单细胞-预处理:使用 单细胞 preprocessing 把原始计数整理为保留审计轨迹的分析对象。适用于进行细胞/基因 QC、归一化、高变基因、PCA 和邻居图准备;ambient RNA、doublet、批次整合和细胞注释需要单独的方法选择,不能被一个固定阈值模板代替。
  • 单细胞-预处理-omicverse:使用 单细胞 preprocessing with omicverse 把原始计数整理为保留审计轨迹的分析对象。适用于进行细胞/基因 QC、归一化、高变基因、PCA 和邻居图准备;ambient RNA、doublet、批次整合和细胞注释需要单独的方法选择,不能被一个固定阈值模板代替。
  • 把原始计数整理为保留审计轨迹的分析对象:使用 Workflows scRNAseq pipeline 把原始计数整理为保留审计轨迹的分析对象。适用于进行细胞/基因 QC、归一化、高变基因、PCA 和邻居图准备;ambient RNA、doublet、批次整合和细胞注释需要单独的方法选择,不能被一个固定阈值模板代替。

候选组 4

  • 组装:使用 Genome assembly short read assembly 使用 de Bruijn 图从 Illumina reads 进行 de novo assembly。适用于运行 SPAdes/MEGAHIT/Unicycler 或评估短读长能否满足组装目标;短读长无法跨越长重复;大型重复丰富或高杂合基因组需要长读长,不能靠增加深度解决。
  • 组装:使用 Genome assembly short read assembly 使用 de Bruijn 图从 Illumina reads 进行 de novo assembly。适用于运行 SPAdes/MEGAHIT/Unicycler 或评估短读长能否满足组装目标;短读长无法跨越长重复;大型重复丰富或高杂合基因组需要长读长,不能靠增加深度解决。

候选组 5

  • 单细胞-downstream-分析:使用 单细胞 downstream analysis 生成可审计的 QC 报告、统计图和出版级输出。适用于自动汇总 QC、导出图形或用 Matplotlib/Scanpy 生成一致的分析图;报告不能只展示保留细胞;必须同时呈现过滤前后、样本数量和参数。
  • 可视化:使用 Data visualization matplotlib fundamentals 生成可审计的 QC 报告、统计图和出版级输出。适用于自动汇总 QC、导出图形或用 Matplotlib/Scanpy 生成一致的分析图;报告不能只展示保留细胞;必须同时呈现过滤前后、样本数量和参数。
  • 生成可审计的:使用 Reporting automated qc reports 生成可审计的 QC 报告、统计图和出版级输出。适用于自动汇总 QC、导出图形或用 Matplotlib/Scanpy 生成一致的分析图;报告不能只展示保留细胞;必须同时呈现过滤前后、样本数量和参数。

候选组 6

  • AnnData-数据结构与-I与O:使用 AnnData 数据结构与 I/O 读取、检查、转换并保存单细胞矩阵及其元数据。适用于处理 AnnData、SingleCellExperiment、Seurat 或稀疏表达矩阵,或在分析前核对矩阵方向、层和元数据;它不替代 QC、归一化、批次整合或细胞注释。
  • SingleCellExperiment-数据结构:使用 SingleCellExperiment 数据结构 读取、检查、转换并保存单细胞矩阵及其元数据。适用于处理 AnnData、SingleCellExperiment、Seurat 或稀疏表达矩阵,或在分析前核对矩阵方向、层和元数据;它不替代 QC、归一化、批次整合或细胞注释。
  • AnnData-数据结构:使用 AnnData 数据结构 读取、检查、转换并保存单细胞矩阵及其元数据。适用于处理 AnnData、SingleCellExperiment、Seurat 或稀疏表达矩阵,或在分析前核对矩阵方向、层和元数据;它不替代 QC、归一化、批次整合或细胞注释。
  • 单细胞-data-io:使用 单细胞 data io 读取、检查、转换并保存单细胞矩阵及其元数据。适用于处理 AnnData、SingleCellExperiment、Seurat 或稀疏表达矩阵,或在分析前核对矩阵方向、层和元数据;它不替代 QC、归一化、批次整合或细胞注释。
  • 转换并保存单细胞矩阵及其元数据:使用 Lamindb data management 读取、检查、转换并保存单细胞矩阵及其元数据。适用于处理 AnnData、SingleCellExperiment、Seurat 或稀疏表达矩阵,或在分析前核对矩阵方向、层和元数据;它不替代 QC、归一化、批次整合或细胞注释。

候选组 7

  • 预处理-处理:使用 Tcga bulk data preprocessing with omicverse 处理 bulk RNA 并用单细胞参考进行去卷积或轨迹映射。适用于运行 Bulk2Single、TCGA 预处理或 bulk-to-single 状态映射;计算生成的“单细胞”不是实测细胞,不能用于真实细胞异质性或克隆结论。
  • 并用单细胞参考进行去卷积或轨迹映射:使用 Bulk rna seq deconvolution with bulk2single 处理 bulk RNA 并用单细胞参考进行去卷积或轨迹映射。适用于运行 Bulk2Single、TCGA 预处理或 bulk-to-single 状态映射;计算生成的“单细胞”不是实测细胞,不能用于真实细胞异质性或克隆结论。

候选组 8

  • MRVI-多样本表示:使用 MRVI 多样本表示 校正技术批次或把查询细胞映射到固定参考空间。适用于使用 Harmony、scVI/scArches、Seurat anchors 或 Scanpy ingest 进行批次校正和 atlas mapping;不要把生物条件当作需要消除的批次,也不要用整合值做未经验证的差异表达。
  • 校正技术批次或把查询细胞映射到固定参考空间:使用 Stellar atlas 校正技术批次或把查询细胞映射到固定参考空间。适用于使用 Harmony、scVI/scArches、Seurat anchors 或 Scanpy ingest 进行批次校正和 atlas mapping;不要把生物条件当作需要消除的批次,也不要用整合值做未经验证的差异表达。
  • scvi-tools-单细胞模型:使用 scvi-tools 单细胞模型 校正技术批次或把查询细胞映射到固定参考空间。适用于使用 Harmony、scVI/scArches、Seurat anchors 或 Scanpy ingest 进行批次校正和 atlas mapping;不要把生物条件当作需要消除的批次,也不要用整合值做未经验证的差异表达。
  • Harmony-批次校正:使用 Harmony 批次校正 校正技术批次或把查询细胞映射到固定参考空间。适用于使用 Harmony、scVI/scArches、Seurat anchors 或 Scanpy ingest 进行批次校正和 atlas mapping;不要把生物条件当作需要消除的批次,也不要用整合值做未经验证的差异表达。
  • 单细胞-批次-整合:使用 单细胞 batch integration 校正技术批次或把查询细胞映射到固定参考空间。适用于使用 Harmony、scVI/scArches、Seurat anchors 或 Scanpy ingest 进行批次校正和 atlas mapping;不要把生物条件当作需要消除的批次,也不要用整合值做未经验证的差异表达。
  • 单细胞-聚类-批次-correction-omicverse:使用 单细胞 clustering and batch correction with omicverse 校正技术批次或把查询细胞映射到固定参考空间。适用于使用 Harmony、scVI/scArches、Seurat anchors 或 Scanpy ingest 进行批次校正和 atlas mapping;不要把生物条件当作需要消除的批次,也不要用整…

候选组 9

  • 单细胞-perturb-seq:使用 单细胞 perturb seq 分析 CRISPR 扰动数据或预测未观测扰动响应。适用于进行 Perturb-seq QC/效应估计、GEARS/CPA/相关模型训练或虚拟扰动筛选;实验扰动分析与模型生成的虚拟响应必须分开标记;预测不能替代真实干预。
  • 分析:使用 Crispr screens perturb seq analysis 分析 CRISPR 扰动数据或预测未观测扰动响应。适用于进行 Perturb-seq QC/效应估计、GEARS/CPA/相关模型训练或虚拟扰动筛选;实验扰动分析与模型生成的虚拟响应必须分开标记;预测不能替代真实干预。
  • 扰动数据或预测未观测扰动响应:使用 Crispr screens combinatorial screens 分析 CRISPR 扰动数据或预测未观测扰动响应。适用于进行 Perturb-seq QC/效应估计、GEARS/CPA/相关模型训练或虚拟扰动筛选;实验扰动分析与模型生成的虚拟响应必须分开标记;预测不能替代真实干预。
  • 分析:使用 Crispr screens perturb seq analysis 分析 CRISPR 扰动数据或预测未观测扰动响应。适用于进行 Perturb-seq QC/效应估计、GEARS/CPA/相关模型训练或虚拟扰动筛选;实验扰动分析与模型生成的虚拟响应必须分开标记;预测不能替代真实干预。
  • 扰动数据或预测未观测扰动响应:使用 Crispr screens combinatorial screens 分析 CRISPR 扰动数据或预测未观测扰动响应。适用于进行 Perturb-seq QC/效应估计、GEARS/CPA/相关模型训练或虚拟扰动筛选;实验扰动分析与模型生成的虚拟响应必须分开标记;预测不能替代真实干预。
  • 模拟:使用 Gene regulatory networks perturbation simulation 分析 CRISPR 扰动数据或预测未观测扰动响应。适用于进行 Perturb-seq QC/效应估计、GEARS/CPA/相关模型训练或虚拟扰动筛选;实验扰动分析与模型生成的虚拟响应必须分开标记;预测不能替代真实干预。
  • 模拟:使用 Gene regulatory networks perturbation simulation 分析 CRISPR 扰动数据或预测未观测扰动响应。适用于进行 Perturb-seq QC/效应估计、GEARS/CPA/相关模型训练或虚拟扰动筛选;实验扰动分析与模型生成的虚拟响应必须分开标记;预测不能替代真实干预。
  • 扰动数据或预测未观测扰动响应:使用 Workflows crispr screen pipeline 分析 CRISPR 扰动数据或预测未观测扰动响应。适用于进行 Perturb-seq QC/效应估计、GEARS/CPA/相关模型训练或虚拟扰动筛选;实验扰动分析与模型生成的虚拟响应必须分开标记;预测不能替代真实干预。

候选组 10

  • 处理成像质谱细胞分割:使用 Imaging mass cytometry cell segmentation 处理成像质谱细胞分割、强度提取和空间邻域。适用于分析 IMC/MIBI 图像、细胞掩膜、marker 强度和空间相互作用;分割质量决定所有细胞级结论;没有图像/掩膜 QC 时不能直接解释聚类和邻域。
  • 预处理-处理:使用 Imaging mass cytometry data preprocessing 处理成像质谱细胞分割、强度提取和空间邻域。适用于分析 IMC/MIBI 图像、细胞掩膜、marker 强度和空间相互作用;分割质量决定所有细胞级结论;没有图像/掩膜 QC 时不能直接解释聚类和邻域。
  • 处理成像质谱细胞分割:使用 Imaging mass cytometry cell segmentation 处理成像质谱细胞分割、强度提取和空间邻域。适用于分析 IMC/MIBI 图像、细胞掩膜、marker 强度和空间相互作用;分割质量决定所有细胞级结论;没有图像/掩膜 QC 时不能直接解释聚类和邻域。
  • 预处理-处理:使用 Imaging mass cytometry data preprocessing 处理成像质谱细胞分割、强度提取和空间邻域。适用于分析 IMC/MIBI 图像、细胞掩膜、marker 强度和空间相互作用;分割质量决定所有细胞级结论;没有图像/掩膜 QC 时不能直接解释聚类和邻域。
  • 注释:使用 Imaging mass cytometry interactive annotation 处理成像质谱细胞分割、强度提取和空间邻域。适用于分析 IMC/MIBI 图像、细胞掩膜、marker 强度和空间相互作用;分割质量决定所有细胞级结论;没有图像/掩膜 QC 时不能直接解释聚类和邻域。

候选组 11

  • 细胞间通信映射:使用 单细胞 cellphonedb communication mapping 从配体–受体表达推断候选细胞间信号。适用于运行 CellChat、CellPhoneDB、LIANA、NicheNet 或共识型配体–受体分析;表达共现不是物理接触、蛋白活性或因果信号;跨条件比较必须控制细胞数和组成。
  • 单细胞-cell-communication:使用 单细胞 cell communication 从配体–受体表达推断候选细胞间信号。适用于运行 CellChat、CellPhoneDB、LIANA、NicheNet 或共识型配体–受体分析;表达共现不是物理接触、蛋白活性或因果信号;跨条件比较必须控制细胞数和组成。
  • 单细胞-metabolite-communication:使用 单细胞 metabolite communication 从配体–受体表达推断候选细胞间信号。适用于运行 CellChat、CellPhoneDB、LIANA、NicheNet 或共识型配体–受体分析;表达共现不是物理接触、蛋白活性或因果信号;跨条件比较必须控制细胞数和组成。

候选组 12

  • Single2spatial-空间-比对:使用 Single2spatial spatial mapping 把细胞映射到真实空间数据或分析空间域。适用于进行 single-to-spatial 映射、空间域、超高分辨率 binning 或空间多组学分析;预测坐标和真实测量坐标必须明确区分;不同平台的 spot/bin/cell 分辨率不可互换。
  • 空间转录组:使用 Spatial transcriptomics spatial domains 把细胞映射到真实空间数据或分析空间域。适用于进行 single-to-spatial 映射、空间域、超高分辨率 binning 或空间多组学分析;预测坐标和真实测量坐标必须明确区分;不同平台的 spot/bin/cell 分辨率不可互换。
  • 空间转录组:使用 Spatial transcriptomics high resolution binning 把细胞映射到真实空间数据或分析空间域。适用于进行 single-to-spatial 映射、空间域、超高分辨率 binning 或空间多组学分析;预测坐标和真实测量坐标必须明确区分;不同平台的 spot/bin/cell 分辨率不可互换。

候选组 13

  • 推断细胞状态转变:使用 Cell dynamics 推断细胞状态转变、伪时间或终末命运概率。适用于运行 Monocle、Slingshot、Palantir、scVelo、CellRank 或相关时间过程模型;轨迹方向依赖根/终点、动力学假设和采样设计;横截面数据不能证明真实谱系。
  • RNA-velocity-工作流:使用 RNA velocity 工作流 推断细胞状态转变、伪时间或终末命运概率。适用于运行 Monocle、Slingshot、Palantir、scVelo、CellRank 或相关时间过程模型;轨迹方向依赖根/终点、动力学假设和采样设计;横截面数据不能证明真实谱系。
  • 推断细胞状态转变:使用 Workflows timecourse pipeline 推断细胞状态转变、伪时间或终末命运概率。适用于运行 Monocle、Slingshot、Palantir、scVelo、CellRank 或相关时间过程模型;轨迹方向依赖根/终点、动力学假设和采样设计;横截面数据不能证明真实谱系。
  • 单细胞-trajectory-inference:使用 单细胞 trajectory inference 推断细胞状态转变、伪时间或终末命运概率。适用于运行 Monocle、Slingshot、Palantir、scVelo、CellRank 或相关时间过程模型;轨迹方向依赖根/终点、动力学假设和采样设计;横截面数据不能证明真实谱系。
  • 推断细胞状态转变:使用 Temporal genomics trajectory modeling 推断细胞状态转变、伪时间或终末命运概率。适用于运行 Monocle、Slingshot、Palantir、scVelo、CellRank 或相关时间过程模型;轨迹方向依赖根/终点、动力学假设和采样设计;横截面数据不能证明真实谱系。
  • 推断细胞状态转变:使用 Bulktrajblend trajectory interpolation 推断细胞状态转变、伪时间或终末命运概率。适用于运行 Monocle、Slingshot、Palantir、scVelo、CellRank 或相关时间过程模型;轨迹方向依赖根/终点、动力学假设和采样设计;横截面数据不能证明真实谱系。
  • 推断细胞状态转变:使用 Temporal genomics trajectory modeling 推断细胞状态转变、伪时间或终末命运概率。适用于运行 Monocle、Slingshot、Palantir、scVelo、CellRank 或相关时间过程模型;轨迹方向依赖根/终点、动力学假设和采样设计;横截面数据不能证明真实谱系。

候选组 14

  • 选择并串联单细胞数据检索:使用 Hugging science 选择并串联单细胞数据检索、QC、建模和报告工具。适用于运行端到端 scRNA 工作流、nf-core 包装器、ToolUniverse 或自动化分析代理;编排器不能替代对每一步输入尺度、样本设计和结果完整性的检查。
  • 选择并串联单细胞数据检索:使用 Clawhub installer 选择并串联单细胞数据检索、QC、建模和报告工具。适用于运行端到端 scRNA 工作流、nf-core 包装器、ToolUniverse 或自动化分析代理;编排器不能替代对每一步输入尺度、样本设计和结果完整性的检查。
  • ScRNA-选择并串联单细胞数据检索:使用 ScRNA orchestrator 选择并串联单细胞数据检索、QC、建模和报告工具。适用于运行端到端 scRNA 工作流、nf-core 包装器、ToolUniverse 或自动化分析代理;编排器不能替代对每一步输入尺度、样本设计和结果完整性的检查。
  • ToolUniverse-单细胞工具集:使用 ToolUniverse 单细胞工具集 选择并串联单细胞数据检索、QC、建模和报告工具。适用于运行端到端 scRNA 工作流、nf-core 包装器、ToolUniverse 或自动化分析代理;编排器不能替代对每一步输入尺度、样本设计和结果完整性的检查。
  • 选择并串联单细胞数据检索:使用 Bioinformatics singlecell 选择并串联单细胞数据检索、QC、建模和报告工具。适用于运行端到端 scRNA 工作流、nf-core 包装器、ToolUniverse 或自动化分析代理;编排器不能替代对每一步输入尺度、样本设计和结果完整性的检查。
  • 选择并串联单细胞数据检索:使用 Autonomous biomedical agent 选择并串联单细胞数据检索、QC、建模和报告工具。适用于运行端到端 scRNA 工作流、nf-core 包装器、ToolUniverse 或自动化分析代理;编排器不能替代对每一步输入尺度、样本设计和结果完整性的检查。

候选组 15

  • 设计:使用 Experimental design sample size 规划生物重复、细胞数、批次和平衡设计。适用于估算单细胞实验的检测能力、稀有细胞捕获率或差异丰度/表达所需样本量;增加每个样本的细胞数不能替代增加独立生物重复。
  • 设计:使用 Experimental design sample size 规划生物重复、细胞数、批次和平衡设计。适用于估算单细胞实验的检测能力、稀有细胞捕获率或差异丰度/表达所需样本量;增加每个样本的细胞数不能替代增加独立生物重复。

候选组 16

  • CELLxGENE-检索公开单细胞数据和元数据:使用 CELLxGENE 从 CELLxGENE Census 检索公开单细胞数据和元数据。适用于按物种、组织、疾病、细胞类型或实验条件筛选公共细胞,并下载表达矩阵或聚合统计;它不是本地队列的预处理工具,也不能把策展标签当作跨研究绝对真值。
  • CELLxGENE-检索公开单细胞数据和元数据:使用 CELLxGENE Census 从 CELLxGENE Census 检索公开单细胞数据和元数据。适用于按物种、组织、疾病、细胞类型或实验条件筛选公共细胞,并下载表达矩阵或聚合统计;它不是本地队列的预处理工具,也不能把策展标签当作跨研究绝对真值。
  • CELLxGENE-数据上下文:使用 CELLxGENE 数据上下文 从 CELLxGENE Census 检索公开单细胞数据和元数据。适用于按物种、组织、疾病、细胞类型或实验条件筛选公共细胞,并下载表达矩阵或聚合统计;它不是本地队列的预处理工具,也不能把策展标签当作跨研究绝对真值。

候选组 17

  • 单细胞-剪接:使用 单细胞 splicing 量化异构体、剪接事件或 spliced/unspliced 层。适用于研究可变剪接、转录动力学或 RNA velocity 所需的剪接计数;短读长 3' scRNA 对异构体覆盖有限;spliced/unspliced 计数不等于完整转录本定量。
  • 单细胞-剪接:使用 单细胞 splicing 量化异构体、剪接事件或 spliced/unspliced 层。适用于研究可变剪接、转录动力学或 RNA velocity 所需的剪接计数;短读长 3' scRNA 对异构体覆盖有限;spliced/unspliced 计数不等于完整转录本定量。

候选组 18

  • 归一化:使用 Expression matrix normalization 读取、检查、转换并保存单细胞矩阵及其元数据。适用于处理 AnnData、SingleCellExperiment、Seurat 或稀疏表达矩阵,或在分析前核对矩阵方向、层和元数据;它不替代 QC、归一化、批次整合或细胞注释。
  • 转换并保存单细胞矩阵及其元数据:使用 Expression matrix sparse handling 读取、检查、转换并保存单细胞矩阵及其元数据。适用于处理 AnnData、SingleCellExperiment、Seurat 或稀疏表达矩阵,或在分析前核对矩阵方向、层和元数据;它不替代 QC、归一化、批次整合或细胞注释。
  • 归一化:使用 Expression matrix normalization 读取、检查、转换并保存单细胞矩阵及其元数据。适用于处理 AnnData、SingleCellExperiment、Seurat 或稀疏表达矩阵,或在分析前核对矩阵方向、层和元数据;它不替代 QC、归一化、批次整合或细胞注释。
  • 转换并保存单细胞矩阵及其元数据:使用 Expression matrix sparse handling 读取、检查、转换并保存单细胞矩阵及其元数据。适用于处理 AnnData、SingleCellExperiment、Seurat 或稀疏表达矩阵,或在分析前核对矩阵方向、层和元数据;它不替代 QC、归一化、批次整合或细胞注释。

候选组 19

  • scTE-比对数据量化:使用 scTE 从 scRNA/scATAC 比对数据量化 TE locus 或 family 活性。适用于运行 scTE、SoloTE 或研究单细胞转座元件表达;多重比对和基因–TE 重叠决定结果;家族级与 locus 级估计不能混为一谈。
  • SoloTE-比对数据量化:使用 SoloTE 从 scRNA/scATAC 比对数据量化 TE locus 或 family 活性。适用于运行 scTE、SoloTE 或研究单细胞转座元件表达;多重比对和基因–TE 重叠决定结果;家族级与 locus 级估计不能混为一谈。

候选组 20

  • 分析:使用 Tcr bcr analysis scirpy analysis 连接 V(D)J 克隆型与单细胞转录状态。适用于使用 Scirpy/immuneML 等分析克隆扩增、多样性、克隆共享和细胞状态;克隆共享受测序深度和采样影响;细胞数不是供体重复,公共克隆也不自动等于共同抗原。
  • 分析:使用 Tcr bcr analysis scirpy analysis 连接 V(D)J 克隆型与单细胞转录状态。适用于使用 Scirpy/immuneML 等分析克隆扩增、多样性、克隆共享和细胞状态;克隆共享受测序深度和采样影响;细胞数不是供体重复,公共克隆也不自动等于共同抗原。

候选组 21

  • 单细胞-multiomics:使用 单细胞 multiomics 联合 RNA、ATAC、蛋白或其他单细胞模态。适用于处理 CITE-seq、10x Multiome、MultiVI/totalVI、MuData 或配对多组学实验;不同模态具有不同背景噪声和缺失机制,不能把拼接矩阵当作统一测量尺度。
  • Muon-单细胞多组学:使用 Muon 单细胞多组学 联合 RNA、ATAC、蛋白或其他单细胞模态。适用于处理 CITE-seq、10x Multiome、MultiVI/totalVI、MuData 或配对多组学实验;不同模态具有不同背景噪声和缺失机制,不能把拼接矩阵当作统一测量尺度。
  • 单细胞-多模态-整合:使用 单细胞 multimodal integration 联合 RNA、ATAC、蛋白或其他单细胞模态。适用于处理 CITE-seq、10x Multiome、MultiVI/totalVI、MuData 或配对多组学实验;不同模态具有不同背景噪声和缺失机制,不能把拼接矩阵当作统一测量尺度。
  • 蛋白或其他单细胞模态:使用 Workflows multiome pipeline 联合 RNA、ATAC、蛋白或其他单细胞模态。适用于处理 CITE-seq、10x Multiome、MultiVI/totalVI、MuData 或配对多组学实验;不同模态具有不同背景噪声和缺失机制,不能把拼接矩阵当作统一测量尺度。

候选组 22

  • 门控并分析高维蛋白表达:使用 Flow cytometry fcs handling 读取 FCS、补偿/变换、门控并分析高维蛋白表达。适用于处理传统流式或 CyTOF FCS 文件、批次归一化、聚类和细胞群定量;CyTOF 通常不做荧光补偿,但需要 bead normalization、去卷积和金属通道清理;不能与普通流式混用。
  • 门控并分析高维蛋白表达:使用 Flow cytometry fcs handling 读取 FCS、补偿/变换、门控并分析高维蛋白表达。适用于处理传统流式或 CyTOF FCS 文件、批次归一化、聚类和细胞群定量;CyTOF 通常不做荧光补偿,但需要 bead normalization、去卷积和金属通道清理;不能与普通流式混用。

候选组 23

  • ArchR-片段进行:使用 ArchR scATAC-seq 对 scATAC 片段进行 QC、特征构建、降维和调控分析。适用于处理 fragments、peak/bin 矩阵、TSS enrichment、FRiP、doublet、LSI 和 motif deviation;scRNA 的归一化和高变基因流程不能直接套用到二元稀疏染色质可及性矩阵。
  • SnapATAC2-片段进行:使用 SnapATAC2 对 scATAC 片段进行 QC、特征构建、降维和调控分析。适用于处理 fragments、peak/bin 矩阵、TSS enrichment、FRiP、doublet、LSI 和 motif deviation;scRNA 的归一化和高变基因流程不能直接套用到二元稀疏染色质可及性矩阵。
  • 单细胞-scatac-分析:使用 单细胞 scatac analysis 对 scATAC 片段进行 QC、特征构建、降维和调控分析。适用于处理 fragments、peak/bin 矩阵、TSS enrichment、FRiP、doublet、LSI 和 motif deviation;scRNA 的归一化和高变基因流程不能直接套用到二元稀疏染色质可及性矩阵。

候选组 24

  • 脱氨酶融合产生的:使用 Clip seq stamp antibody free 通过脱氨酶融合产生的 RNA 编辑信号定位 RBP 靶标。适用于分析 STAMP、scSTAMP、TRIBE/HyperTRIBE 或 DART-seq 编辑位点;编辑位点邻近而非等同于结合位点;必须使用 deaminase-only 和表达量/序列背景控制。
  • 脱氨酶融合产生的:使用 Clip seq stamp antibody free 通过脱氨酶融合产生的 RNA 编辑信号定位 RBP 靶标。适用于分析 STAMP、scSTAMP、TRIBE/HyperTRIBE 或 DART-seq 编辑位点;编辑位点邻近而非等同于结合位点;必须使用 deaminase-only 和表达量/序列背景控制。

示例提示词

我想知道《你的基因或通路》在《你的疾病或组织》中可能涉及哪些细胞,请结合文献和公共单细胞数据提出可验证的问题。

包含的科研 Skills39 个

常见问题

单细胞与虚拟细胞能做什么?

单细胞、多模态与虚拟细胞分析。

如何安装单细胞与虚拟细胞?

在科搭 Codar 左侧点击「插件」,在「插件」页签搜索「单细胞与虚拟细胞」并安装;也可以把本页的安装提示词发给 Claude Code 或 Codex。

单细胞与虚拟细胞需要哪些权限?

该科研插件没有声明额外权限;执行具体操作时仍由 Agent 按自身规则请求确认。

单细胞与虚拟细胞经过官方审核吗?

是。SpeedSkills 收录的每个版本都会记录内容摘要与权限声明,当前版本已通过安全审核。