单细胞RNA-seq分析完整流程。从原始数据到可发表图表，智能判断当前阶段并执行，16步覆盖数据探查、QC、整合、聚类、注释、Marker、差异、富集、轨迹、Velocity、SCENIC、CellChat全流程。
零基础友好：你只需要提供数据，其他交给我！
智能断点：分析中断？重新告诉我项目路径，我会从中断处继续。
~/sc_analysis_workspace/{project_name}/
├── raw_data/ # 原始数据（软链接）
├── 00_inspection/ # 数据探查
├── 01_qc/ # 质控过滤
├── 02_sct/ # 标准化
├── 03_integration/ # 样本整合
├── 04_clustering/ # 聚类可视化
├── 05_annotation/ # 细胞注释
├── 06_markers/ # Marker基因
├── 07_diff/ # 差异分析
├── 08_enrichment/ # 功能富集
├── 09_scenic/ # 转录因子分析（可选）
├── 10_trajectory/ # 轨迹分析（可选）
├── 11_velocity/ # RNA Velocity（可选）
├── 12_cellchat/ # 细胞互作（可选）
├── 13_statistics/ # 统计分析
├── 14_cell_proportion/ # 细胞比例统计
├── 15_report/ # 最终报告
└── analysis_log.md # 分析日志
Agent 执行前必须定义：
PROJECT_NAME=$(basename {data-path} | sed 's/_data$//' | sed 's/_sampled$//')
PROJECT_DIR=~/sc_analysis_workspace/$PROJECT_NAME
# 子目录
INSPECTION_DIR=$PROJECT_DIR/00_inspection
QC_DIR=$PROJECT_DIR/01_qc
SCT_DIR=$PROJECT_DIR/02_sct
INTEGRATION_DIR=$PROJECT_DIR/03_integration
CLUSTER_DIR=$PROJECT_DIR/04_clustering
ANNOTATION_DIR=$PROJECT_DIR/05_annotation
MARKER_DIR=$PROJECT_DIR/06_markers
DIFF_DIR=$PROJECT_DIR/07_diff
ENRICH_DIR=$PROJECT_DIR/08_enrichment
REPORT_DIR=$PROJECT_DIR/15_report
# 输出文件
DATA_OVERVIEW=$INSPECTION_DIR/data_overview.json
QC_H5AD=$QC_DIR/clean.h5ad
ANNOTATED_H5AD=$ANNOTATION_DIR/annotated.h5ad
MARKERS_CSV=$MARKER_DIR/markers.csv
ANALYSIS_LOG=$PROJECT_DIR/analysis_log.md
共 16 个工具，位于 skills/sc-analysis/tools/：
| # | 脚本 | 功能 | 详细说明 |
|---|---|---|---|
| 00 | data_inspector.py | 数据探查 | 见 workflows/00-data-inspection.md |
| 01 | qc_doublet.py | 质控过滤 | 见 workflows/01-qc-filter.md |
| 02 | sctransform.py | 标准化 | 见 workflows/02-sctransform.md |
| 03 | integration.py | 样本整合 | 见 workflows/03-integration.md |
| 04 | clustering.py | 聚类可视化 | 见 workflows/04-clustering.md |
| 05 | annotation.py | 细胞注释 | 见 workflows/05-cell-annotation.md |
| 06 | markers.py | Marker鉴定 | 见 workflows/06-marker-genes.md |
| 07 | diff_analysis.py | 差异分析 | 见 workflows/07-diff-analysis.md |
| 08 | enrichment.py | 功能富集 | 见 workflows/08-enrichment.md |
| 09 | scenic.py | 转录因子分析 | 见 workflows/09-advanced-analysis.md |
| 10 | trajectory.py | 轨迹分析 | 见 workflows/09-advanced-analysis.md |
| 11 | velocity.py | RNA Velocity | 见 workflows/09-advanced-analysis.md |
| 12 | cellchat.py | 细胞互作 | 见 workflows/09-advanced-analysis.md |
| 13 | statistics.py | 统计工具 | 见 workflows/10-report-generation.md |
| 14 | cell_proportion.py | 细胞比例 | 见 workflows/10-report-generation.md |
| 15 | report.py | 报告生成 | 见 workflows/10-report-generation.md |
当基础分析（Step 00-06）完成后，Agent 应主动挖掘科学发现并与用户分享：
你: [基础分析完成]
"【基础分析完成】✓
主要结果：
- 识别了 12 种细胞类型，共 7,680 个细胞
- T cells (35%), B cells (20%), Macrophages (18%), ...
【科学发现】🔬
我注意到几个有意思的点：
1. 🔴 M2 巨噬细胞富集
Treatment 组 M2 型巨噬细胞显著升高 (8% → 23%)
提示：组织修复/免疫抑制微环境增强
2. 🟡 干扰素信号通路激活
ISG15, MX1, IFITM3 高表达
提示：抗病毒/免疫激活反应
3. 🟢 样本来源差异
肝来源样本以实质细胞为主
淋巴结来源以免疫细胞为主
建议后续分析：
→ 细胞通讯分析（探究 M2 巨噬细胞互作）
→ 轨迹分析（T 细胞发育路径）
→ 组间差异分析
要继续哪个方向？"
第一步：接收数据，自动探查
第一步：接收数据，自动探查
用户: 帮我分析 ~/Desktop/sampled_data
你: [运行 00_data_inspector.py]
"收到！正在探查数据...
检测结果：
- 样本：4个（AM5CK1265-68）
- 细胞：共 8,000 个（每样本 2,000 个，已抽样）
- 基因：中位数 ~1,500/细胞
- 线粒体：中位数 2.3%（正常范围）
- 物种：推断为 mouse
数据质量看起来不错！"
第二步：推荐参数，确认后自动执行
你: "建议参数：
- QC: min_genes=200, max_genes=6000, max_mito=10%
- 整合: Harmony（CPU 友好）
- 聚类: 分辨率 0.4
直接开始分析？"
用户: 好
你: [开始执行 Step 1-15，每步完成后简要汇报]
第三步：阶段性汇报
你: "【QC 完成】✓
- 原始: 8,000 → 过滤后: 7,680 细胞（4% 过滤）
正在进行 SCTransform 标准化..."
断点续传
用户: 继续分析 ~/sc_analysis_workspace/sampled_data
你: [检查项目状态]
"检测到已有项目，分析进度：
✅ 数据探查 ✅ QC ✅ 整合 ✅ 聚类
⏳ 细胞注释 ← 上次中断于此
继续执行？"
详细执行步骤和代码示例见 workflows/ 目录：
workflows/
├── 00-data-inspection.md # 数据探查（含 few-shot）
├── 01-qc-filter.md # QC过滤（含 few-shot）
├── 02-sctransform.md # 标准化
├── 03-integration.md # 样本整合（含 few-shot）
├── 04-clustering.md # 聚类可视化（含 few-shot）
├── 05-cell-annotation.md # 细胞注释（含 few-shot）
├── 06-marker-genes.md # Marker鉴定（含 few-shot）
├── 07-diff-analysis.md # 差异分析（含 few-shot）
├── 08-enrichment.md # 功能富集（含 few-shot）
├── 09-advanced-analysis.md # 高级分析（轨迹/Velocity/CellChat/SCENIC）
├── 10-report-generation.md # 统计、细胞比例、报告生成
└── 11-discovery.md # 科学发现与建议
每个 workflow 包含：
Q: 分析需要多久？ A: 8000 细胞约 10-15 分钟（CPU），GPU 可加速
Q: 如何继续中断的分析？ A: 重新告诉我项目路径，我会自动检测进度
Q: 物种如何判断？ A: 自动根据基因名判断（mouse: Tp53, Cd3d）
pip install scanpy anndata scipy numpy pandas
pip install scvi-tools harmonypy scvelo
pip install gseapy matplotlib seaborn
pip install cellchat scenic # 可选高级分析
开始分析：只需告诉我你的数据在哪！