Scanpy 开源项目教程

Scanpy 开源项目教程

scanpy Single-cell analysis in Python. Scales to >1M cells. 项目地址: https://gitcode.com/gh_mirrors/sc/scanpy

1. 项目介绍

Scanpy 是一个用于单细胞基因表达数据分析的可扩展工具包，由 Python 实现。它与 anndata 联合构建，涵盖了从数据预处理、可视化、聚类、轨迹推断到差异表达测试的全套分析流程。Scanpy 能够高效处理超过一百万个细胞的数据集，是单细胞分析领域的强大工具。

2. 项目快速启动

安装

首先，确保你已经安装了 Python 环境。然后，使用 pip 安装 Scanpy：

pip install scanpy

快速示例

以下是一个简单的 Scanpy 使用示例，展示如何加载数据、进行预处理和可视化：

import scanpy as sc

# 加载示例数据集
adata = sc.datasets.pbmc3k()

# 数据预处理
sc.pp.filter_cells(adata, min_genes=200)
sc.pp.filter_genes(adata, min_cells=3)
sc.pp.normalize_total(adata, target_sum=1e4)
sc.pp.log1p(adata)
sc.pp.highly_variable_genes(adata, min_mean=0.0125, max_mean=3, min_disp=0.5)

# 主成分分析
sc.tl.pca(adata, svd_solver='arpack')

# 聚类
sc.pp.neighbors(adata, n_neighbors=10, n_pcs=40)
sc.tl.leiden(adata)

# 可视化
sc.pl.umap(adata, color='leiden')

3. 应用案例和最佳实践

应用案例

Scanpy 广泛应用于生物医学研究中，特别是在单细胞 RNA 测序（scRNA-seq）数据的分析。例如，研究人员可以使用 Scanpy 来识别不同细胞类型、研究细胞分化轨迹以及发现疾病相关的细胞亚群。

最佳实践

1. 数据质量控制：在分析之前，确保对数据进行严格的质量控制，包括过滤低质量的细胞和基因。
2. 标准化和归一化：使用合适的方法对数据进行标准化和归一化，以消除技术偏差。
3. 选择高变异基因：选择高变异基因进行后续分析，可以提高分析的灵敏度和特异性。
4. 可视化：利用 Scanpy 提供的丰富可视化工具，如 UMAP、t-SNE 等，帮助理解数据结构和细胞分群。

4. 典型生态项目

Scanpy 是 scverse 项目的一部分，scverse 是一个专注于单细胞组学数据分析的生态系统。以下是一些与 Scanpy 紧密相关的生态项目：

• AnnData：用于存储单细胞数据的 Python 库，与 Scanpy 紧密集成。
• Squidpy：用于空间单细胞数据分析的工具包，扩展了 Scanpy 的功能。
• Muon：用于多模态单细胞数据分析的工具包，支持多种数据类型的整合分析。

这些项目共同构成了一个强大的单细胞数据分析生态系统，为研究人员提供了全面的工具支持。

scanpy Single-cell analysis in Python. Scales to >1M cells. 项目地址: https://gitcode.com/gh_mirrors/sc/scanpy