Seurat 与 Scanpy
两者是最常用的单细胞分析框架，分别基于 R 和 Python，覆盖质控、标准化、聚类和可视化。选哪个主要看团队习惯和下游工具；两种格式可以互转，但转换后要核对元数据和降维结果是否完整。
39个分析 Skill · Codar 生信插件
单细胞与虚拟细胞 AI 分析
单细胞研究在单个细胞分辨率上刻画细胞类型、状态和相互作用，常见数据是 scRNA-seq、scATAC-seq 和 CITE-seq 计数矩阵。Codar 的这个插件覆盖质控、双细胞与环境 RNA 校正、批次整合、聚类注释、轨迹与 RNA 速度、细胞通讯，以及 Perturb-seq 和虚拟敲除预测。
单细胞与虚拟细胞能回答哪些研究问题
- 肿瘤样本里有哪些免疫细胞亚群，比例在组间如何变化？
- 刺激后哪些细胞类型的基因表达响应最强？
- 分化过程的起点、分支和终末状态分别是什么？
- 肿瘤细胞与巨噬细胞之间有哪些配体-受体通讯？
- 敲除某个基因后，细胞状态可能向哪个方向偏移？
单细胞与虚拟细胞分析流程
- 1
读取与质控
读取 10x 输出、h5ad 或 Seurat 对象，按 UMI 数、基因数和线粒体比例过滤，阈值参考样本分布来定。
- 2
去除技术噪声
识别双细胞，校正环境 RNA 污染；多个样本时先评估批次效应，再决定是否整合及用哪种方法。
- 3
降维与聚类
选取高变基因，做 PCA、邻接图聚类和 UMAP，聚类分辨率要结合标记基因反复确认。
- 4
细胞类型注释
结合已知标记基因和参考图谱映射注释细胞类型，对难以判断的簇保留原标签再核查。
- 5
下游分析
按研究问题做差异丰度、伪时间轨迹、RNA 速度、细胞通讯或扰动效应分析。
- 6
结果交付
输出 UMAP、点图、细胞比例图和通讯网络图，以及带注释的 h5ad 文件和分析脚本。
常用方法与怎么选
Harmony、scVI 与 BBKNN
Harmony 在 PCA 空间校正批次，速度快；scVI 用深度生成模型直接建模原始计数，适合样本多、批次复杂的数据；BBKNN 通过调整邻接图整合。整合过度会抹掉真实差异，校正后要检查已知细胞类型是否仍能区分。
CellTypist、SingleR 与参考映射
CellTypist 用预训练模型自动注释，免疫细胞模型较完善；SingleR 把细胞与带标签的参考表达谱比较；Seurat 参考映射可把数据投射到已有图谱。自动注释适合作起点，最终标签仍要用标记基因核对。
CellChat、CellPhoneDB 与 NicheNet
CellChat 和 CellPhoneDB 根据配体-受体对的表达推断细胞间通讯；NicheNet 进一步把配体与靶细胞的下游基因变化联系起来。这些结果基于表达推断，不等于实际的蛋白互作，需要空间数据或实验支持。
需要准备的数据
- Cell Ranger 输出目录或 mtx、h5 计数矩阵
- 已有的 h5ad 或 Seurat RDS 对象
- 样本元数据：来源、分组、批次
- 可选：参考图谱或已知标记基因列表
- 或公开数据的 GEO 编号
能得到的结果
- 质控报告与过滤前后的细胞数统计
- 聚类与细胞类型注释的 UMAP 图
- 各簇标记基因表及点图、热图
- 组间细胞比例与差异表达结果
- 轨迹、RNA 速度或细胞通讯分析图
- 带注释的 h5ad 文件与分析脚本
单细胞与虚拟细胞插件包含的分析能力
共 39 项。启用插件后，Codar 会按任务自动选用，不需要逐个记住名称。
- 单细胞CNV推断
- scRNA-seq预处理
- scATAC-seq预处理
- 单细胞多组学预处理与整合
- 单细胞批次整合
- 双细胞检测
- 环境RNA污染校正
- 线粒体比例质控
- 单细胞降维与聚类
- 单细胞类型注释与参考映射
- 细胞状态与周期评分
- RNA速度与细胞命运推断
- 单细胞轨迹与伪时间分析
- 单细胞细胞通讯分析
- Perturb-seq扰动分析
- 虚拟敲除与扰动预测
- 单细胞药物响应模拟
- CITE-seq分析
- 单细胞转座元件表达分析
- 代谢物介导的细胞通讯分析
- 分泌蛋白活性推断
- 单细胞调控网络分析
- 单细胞跨队列整合与元分析
- scVI单细胞概率建模
- 单细胞差异丰度分析
- 单细胞公共数据检索
- 单细胞可变剪接分析
- 单细胞数据格式与读写
- 单细胞遗传变异检测
- 单细胞分阶段分析工作流
- 转录组状态转换的逆向扰动推断
nf-core 标准流程（8 个）
- nf-core-hadge流程
- nf-core-marsseq流程
- nf-core-pixelator流程
- nf-core-scdownstream流程
- nf-core-scflow流程
- nf-core-scnanoseq流程
- nf-core-scrnaseq流程
- nf-core-smartseq2流程
在 Codar 里怎么用
- 1
切换到生信模式
在 Codar 左上角选择 Codar 生信。
- 2
启用「单细胞与虚拟细胞」
在插件页找到「单细胞与虚拟细胞」，安装或启用。
- 3
描述研究问题
用一句话写清数据和目标，确认分析方案后开始执行。
可以这样提问
帮我基于 GSE96583 单细胞转录组数据，解析 IFN-β 刺激后 PBMC 的细胞类型特异性响应。
单细胞与虚拟细胞常见问题
单细胞差异表达该用单个细胞还是 pseudobulk？
比较不同样本组之间的差异时，通常建议先按样本和细胞类型聚合成 pseudobulk，再用 DESeq2 或 edgeR 分析。把每个细胞当作独立样本会忽略样本间变异，p 值偏小、假阳性偏多。单细胞层面的检验更适合找各簇的标记基因。
单细胞数据需要去除双细胞和环境 RNA 吗？
通常需要。双细胞会形成看似处于中间状态的假簇，常用 scDblFinder、DoubletFinder 识别；环境 RNA 会让本不表达的基因出现在多种细胞中，可用 SoupX 或 CellBender 校正。这两步一般放在聚类和注释之前。
RNA 速度和伪时间分析有什么区别？
伪时间分析（如 Monocle3、Slingshot）按表达相似性给细胞排序，起点需要指定，本身不判断方向；RNA 速度（如 scVelo）利用未剪接与已剪接读段的比例估计变化方向，对变化较快的分化过程更有参考价值。
相关实践案例
单细胞 · 免疫图谱健康人 PBMC 免疫图谱
10x Genomics PBMC 3k 数据：质控、Leiden 聚类、细胞类型注释与 Marker 验证。
阅读案例
单细胞 · 细胞注释PBMC 细胞注释一致性
CellTypist、SingleR 与经典 Marker 三种方法交叉比较，量化一致率、κ 与 ARI。
阅读案例
单细胞 · 差异表达IFN-β 刺激后 PBMC 响应
GSE96583，8 名供体配对伪 bulk 分析：CD14+ 单核细胞响应最强，35 个基因在 7 类细胞中共同上调。
阅读案例
肿瘤 · 生存分析肺腺癌铜死亡转录亚型
GSE131907 恶性细胞 NMF 分型，结合肿瘤微环境分析，并在 TCGA-LUAD 队列中探索生存关联。
阅读案例其他生信插件
macOS 12+Mac
Windows 10+Windows