scanpy skill 是什麼、怎麼安裝使用：讓智能體跑單細胞 RNA-seq 分析流程（質控、聚類、UMAP、標記基因）

本文根據 K-Dense-AI/scientific-agent-skills 倉庫裏該技能的 SKILL.md 與倉庫 README 整理，資料核對於 2026-10-11。所在倉庫 K-Dense-AI/scientific-agent-skills 在 GitHub 約 4.8 萬 Star（同日數據）。技能內容會隨倉庫更新，以倉庫為準。

這個 Skill 做什麼

單細胞轉錄組分析的標準流程步驟固定，但每一步都有容易用錯的地方：拿歸一化之後的數據當原始計數、聚類參數隨手一填、把探索性的標記基因當成定論。scanpy 技能把這條流程和它的前提條件一起交給智能體。description：執行 Scanpy 單細胞 RNA-seq 的質控、歸一化、高變基因選擇、PCA / UMAP / t-SNE、聚類、探索性的標記基因排序、偽批量數據準備、可視化，以及把 Seurat 或 SingleCellExperiment 的 RDS 文件轉換為 h5ad；適用於成熟的探索性單細胞流程，要求明確計數和表達量的來源。scvi-tools 模型和 AnnData 格式細節由配套的其他技能覆蓋。

SKILL.md 的要點：

• 版本基線：寫明所針對的 Scanpy 版本和核對日期，並說明這一版要求 Python 3.12 以上。它還坦白了一點：技能裏的合成數據測試驗證的是數據與接口的約定，不代表生物學上的正確性。
• 安裝：用 uv 安裝帶 leiden 附加依賴的版本，腳本里明確選用 igraph 實現的聚類；想復現就把版本釘死。超大數據集可以配合 Dask，需要 GPU 加速則另用 rapids-singlecell。
• R 對象：輸入是 Seurat 等 R 原生對象時，先用 R 工具轉成 .h5ad。
• 表示與推斷的約定：這是最長的一節，規定每一步該用哪一層數據（原始計數還是歸一化後的表達量），以及哪些結論只能算探索性的。

目錄裏有二十多個文件：分析模板、細胞類型映射和基因特徵的示例配置，標準流程、繪圖指南、R 互操作等參考文件，以及查看數據、聚類、找標記基因、批次校正、註釋、格式轉換、繪圖等腳本。

怎麼安裝

倉庫 README 的安裝方式是 skills CLI。這個庫有一百七十多個技能，建議用 CLI 文檔裏的 --skill 參數只裝需要的：

bash
npx skills add K-Dense-AI/scientific-agent-skills --skill scanpy

也可以把整個倉庫克隆到 ~/.agents/skills/scientific-agent-skills（用戶級）或項目的 .agents/skills/ 下。

倉庫整體介紹和其他安裝方式，詳見本站《Scientific Agent Skills 是什麼、怎麼安裝使用：K-Dense 的科研 Skill 庫（生信、化學、數據分析、科研寫作）》。

Scanpy 及其依賴要另外裝進你的 Python 環境。

怎麼用

• 「對 pbmc.h5ad 做標準流程：質控、歸一化、選高變基因、降維、Leiden 聚類，畫 UMAP」。
• 「先檢查這個文件裏存的是原始計數還是處理過的數據，再決定從哪一步開始」。
• 「把同事給的 Seurat 的 .rds 文件轉成 h5ad」。

適合誰 / 侷限

適合剛接觸單細胞分析的生物學研究生，以及想把重複流程自動化的生信工程師。侷限：細胞類型註釋、差異分析結論這類需要生物學判斷的環節，它只能給出探索性的結果，發表前必須由懂這個體系的人覆核；數據大時對內存要求高；參數沒有放之四海皆準的取值，需要結合數據調整。

注意事項

• 許可：該技能標註 BSD-3-Clause，所在倉庫整體為 MIT。
• 在本機運行 Python 腳本，compatibility 寫明本地分析不需要憑據和網絡；R 對象轉換需要另裝 R。
• 人類樣本的測序數據可能受倫理與數據管理規定約束，交給雲端模型處理前確認合規。