📚 课程目录第1章课程简介

1. 课程简介：Scanpy 与单细胞 RNA-seq 分析的关系及本课程目标

大家好，我是老张，搞单细胞数据分析七八年了。今天咱们这第一讲，先不急着敲代码，而是聊清楚一个事：Scanpy 到底是个啥？我们这课要帮你搞定啥？说白了，就是给这门课画个地图，让你心里有数。

单细胞 RNA-seq，这几年火得不行。一个样本轻松测出几千甚至几万个细胞，每个细胞里两万多个基因的表达量。数据量一上来，分析就变得复杂。你需要把细胞分群、找 marker 基因、做差异分析、还得解释生物学意义。而这其中，整合和聚类是绝对的核心环节。我遇到过很多同学，跑完降维聚类就卡住了，不知道下一步怎么走，或者整合完数据发现批次效应没去掉，结果全是坑。

所以这门课的目标就一个：带着你从整合后的数据出发，手把手完成聚类和差异分析的全流程。不废话，只讲实战。

单细胞 RNA-seq 分析全流程

先给你一张全景图。整个分析链条大概是这样的：

虚线框里就是咱们这门课重点啃的部分。为什么跳过前两步？因为现在主流平台（10x Genomics、Drop-seq）出的数据都已经过初步处理，拿到手的往往是表达矩阵或者 h5 文件。我建议你从整合这一步入场——实际项目中 80% 的分析卡在整合和聚类的参数调优上。

Scanpy 是什么？

简单说，Scanpy 是 Python 生态里做单细胞 RNA-seq 分析的头号工具包。它基于 AnnData 数据结构，提供了一套从读取、预处理、降维、聚类到差异分析的完整 API。跟 Seurat（R 语言）不同，Scanpy 更轻量、更 Pythonic，适合嵌入到现有深度学习或机器学习流程中。

我个人习惯用 Scanpy 做分析，因为它的函数命名很直观，比如 sc.pp.filter_genes、sc.tl.leiden，看一眼就知道干嘛的。而且它的社区活跃，文档更新快，新算法（如 Harmony 整合）也很快就能集成进去。

本课程的核心目标

别误会，这门课不是扫盲课，而是实战进阶课。我们假设你已经跑过基本的 Scanpy 流程，但对整合后的数据如何做聚类、如何评估聚类质量、如何做差异分析并拿到可靠的 marker 基因，心里没底。

所以课程围绕以下 4 个目标展开：

目标	具体内容	解决什么问题
1. 整合后数据检查	如何用 PCA、UMAP 评估批次效应是否去除干净	避免把批次当成生物学变异
2. 聚类参数调优	Leiden 算法的分辨率、邻居数如何选	聚类既不过粗也不过细
3. 差异分析 & marker 基因	rank_genes_groups 的参数含义、p 值校正、效应量筛选	得到可靠且可重复的差异基因列表
4. 结果可视化与生物学解释	dotplot、violin 图、热图、GO 富集	把数字变成生物学发现

我自己的经验：之前有个项目整合了 4 个批次的 PBMC 数据，第一次聚类分出 18 个亚群，但 UMAP 图上明显有批次分离的斑块。后来调整了 sc.pp.neighbors 的 n_neighbors 参数和聚类分辨率，才得到干净的 12 个群。这过程的调试，是我们课程要带你掌握的。

你需要具备的前置知识

为了让课程流畅，我建议你先装好这些：

Python 3.8+，Anaconda 虚拟环境
Scanpy >= 1.9 及依赖包（pandas, numpy, matplotlib, anndata）
一个可以跑 2 万细胞的数据集（课程会提供示例数据）
基本的 Python 语法和 pip 安装经验

如果你还没装，直接看这个命令：

conda create -n scanpy_env python=3.9
conda activate scanpy_env
pip install scanpy[leiden] python-igraph louvain
# 如果要用 Harmony 整合，再加：
pip install harmonypy

装好以后，建议跑个简单的测试：

import scanpy as sc
print(sc.__version__)
# 输出类似 '1.10.1' 就对了

小技巧：Scanpy 的 sc.settings.verbosity = 3 可以打开详细日志，调试时特别有用。我之前 debug 整合后的聚类，全靠日志里的邻居图构建信息定位问题。

课程组织方式

共 30 章，每章解决一个具体问题。我习惯用“问题→方案→代码→避坑”的结构来讲。你不会看到大段的纯理论，而是直接上手操作，然后我告诉你哪里容易踩坑。

举个例子，第 10 章讲如何用 sc.tl.leiden 做聚类，我会先让你跑默认参数，然后展示结果，再告诉你为什么有些小群被吞掉了——嗯，这就是分辨率没调对。

为什么会这么设计？因为我发现很多教程教完基础就停了，但实际工作中你面对的数据总是“不干净”的。整合后的数据可能有残留批次、不同测序深度、不同细胞类型比例失衡……这些都需要你手动调参。我们这门课就是补上这一段。

注意：本课程不涉及原始测序数据的预处理（FastQC、cellranger、STARsolo 等）。如果你还没搞定这些，建议先看 Scanpy 官方教程的前几章。

SVG 图背后的逻辑

刚才那张图，你看懂了吗？它其实告诉你：

蓝色：数据入口（我们不碰）
青色：预处理（略过）
紫色：整合（课程起点）
红色：聚类（核心）
橙色：差异分析（核心）
绿色：注释与可视化（收尾）

红色和橙色就是我们啃的硬骨头。你看那些箭头，数据流是单向的，但实际分析中你经常得往回跳——聚类结果不好，可能得重新调整合参数或邻居图参数。这个迭代过程也是课程要带你掌握的。

现在就准备好了吗？

别急着往后翻。先确认你的环境能跑通下面这段代码，这是所有后续章节的基础：

import scanpy as sc
import anndata as ad

# 读取一个示例数据（课程会提供）
adata = sc.read_h5ad('pbmc_integrated.h5ad')
print(adata)
# 输出类似：
# AnnData object with n_obs × n_vars = 8000 × 2000
#     obs: 'batch', 'cell_type_guess'
#     obsm: 'X_pca', 'X_umap'
#     obsp: 'connectivities'

如果你看到了 AnnData 对象，恭喜，你可以直接冲进第 2 章了。如果报错，回头检查依赖版本——我遇到过 leidenalg 版本不兼容导致聚类函数崩溃，所以请确保 python-igraph 和 leidenalg 都装了。