第一章：Scanpy简介——单细胞分析的Python利器
我第一次接触单细胞数据分析时，用的是 Seurat。那时候 Scanpy 还不太成气候。后来转 Python 生态，才发现这工具真香。说白了，Scanpy 就是单细胞领域的“pandas + scikit-learn”，一套基于 Python 的完整分析框架。
今天咱们聊聊它的来龙去脉、能干些什么，以及跟 Seurat 比到底谁更顺手。
1.1 发展历史：从科研工具到行业标准
Scanpy 诞生于 2017 年，由德国亥姆霍兹研究所的 Alex Wolf 和 Philipp Angerer 主导开发。它的底层依赖 AnnData 数据结构——你可以把它理解为一个“带注释的矩阵”，基因表达矩阵、细胞元数据、基因元数据全塞在一个对象里。
我个人习惯把技术演进分为三个阶段：
| 阶段 | 时间 | 主要变化 |
|---|---|---|
| 雏形期 | 2017-2018 | 基本功能：预处理、降维、聚类、标记基因 |
| 生态期 | 2019-2021 | 集成 scvelo（RNA 速率）、squidpy（空间转录组） |
| 成熟期 | 2022 至今 | 1.9+ 版本，对接 Hugging Face、分布式计算 |
核心数据容器：AnnData。你只需要记住一个词——“.obs 存细胞信息，.var 存基因信息，.X 存表达矩阵”。
我记得 2020 年做一个项目，数据量 50 万个细胞，Seurat 直接内存崩溃。换 Scanpy 用 sc.pp.filter_cells + 稀疏矩阵，半小时搞定。从那以后我果断切到 Python 生态。
1.2 主要功能：一条流水线走到底
Scanpy 的功能覆盖了单细胞分析的完整流程。我把它总结成“七步法”：
- 数据读取：支持 h5ad、10X 格式、CSV、HDF5
- 质量控制：过滤低质量细胞和基因
- 标准化：总表达量归一化，log 转换
- 高度可变基因选择：降维前先筛选特征
- 降维：PCA、t-SNE、UMAP
- 聚类：Leiden 算法（默认）、Louvain
- 差异表达与注释：标记基因鉴定，自动/手动注释
举个最简单的入口例子：
import scanpy as sc
# 读取数据
adata = sc.read_10x_h5("filtered_feature_bc_matrix.h5")
# 基础质控
sc.pp.filter_cells(adata, min_genes=200)
sc.pp.filter_genes(adata, min_cells=3)
# 标准化与对数转换
sc.pp.normalize_total(adata, target_sum=1e4)
sc.pp.log1p(adata)
# 找高变基因
sc.pp.highly_variable_genes(adata, n_top_genes=2000)
# PCA + UMAP
sc.tl.pca(adata)
sc.pp.neighbors(adata)
sc.tl.umap(adata)
# 聚类
sc.tl.leiden(adata)
# 找标记基因
sc.tl.rank_genes_groups(adata, 'leiden')
print(adata.uns['rank_genes_groups']['names'][0:5])快捷键：sc.pl.umap(adata, color='leiden') 能直接看聚类效果，比 Seurat 的 DimPlot 快一截。
我在项目中发现一个常见坑：很多人直接跑 sc.pp.filter_cells(min_genes=200) 不去看原始分布。其实应该先画个 sc.pl.violin(adata, 'n_genes_by_counts') 手动设阈值。硬编码 200 在一些低质量样本里会误杀太多细胞。
1.3 与 Seurat 的对比：没有银弹
这个问题每次讲座都有人问。我直接给你一张对比表：
| 维度 | Scanpy | Seurat |
|---|---|---|
| 语言 | Python | R |
| 数据容器 | AnnData (h5ad) | SeuratObject (rds) |
| 内存效率 | 稀疏矩阵原生支持，适合大样本 | 全矩阵易溢出，>30w细胞需分批 |
| 扩展生态 | scvelo, squidpy, celltypist | Signac, Azimuth, DoubletFinder |
| 可视化 | Matplotlib/seaborn 基础，高度可定制 | ggplot2 风格，内置交互性更强 |
| 社区活跃度 | 快速增长，学术界+工业界并重 | 老牌霸主，教程最丰富 |
| 学习曲线 | 需要 Python 基础，文档偏开发者风格 | R 系语法，对生物学家友好 |
你想想看，如果你团队全是 R 用户，上 Scanpy 肯定吃力。反过来，如果项目数据量超过 30 万个细胞，或者你想把分析嵌入 Python 的机器学习流水线，Scanpy 明显更省心。
我曾经接手一个 Seurat 转 Scanpy 的项目，发现 NormalizeData 和 ScaleData 的默认参数不一样。Seurat 默认做全局缩放，Scanpy 默认只做对数化。一定不要直接套用同一种预处理策略。
1.4 如何选择？我的经验法则
- 学生/教学场景：Seurat 教程多、图形化强，入门友好
- 大规模数据（>30w cells）：优先 Scanpy，内存控制更好
- 需要对接下游机器学习/深度学习：Scanpy + Pytorch 无缝衔接
- 全栈 R 生态：没必要硬转，Seurat 足够用
- 空间转录组、RNA 速率分析：Scanpy 生态的 squidpy/scvelo 更成熟
快速上手建议：先装pip install scanpy[leiden]，数据用官方自带的sc.datasets.pbmc3k()跑一遍全流程，半小时就能看见 UMAP 图。
嗯，这就是 Scanpy 的全貌。它不是什么黑魔法，就是一个为单细胞而生的 Python 库。后面几章咱们会逐层拆解每个步骤背后的数学原理和实战技巧。你要是之前只用过 Seurat，也别慌——思维模型是相通的，只是换了一套 API 而已。