Menu
端到端、分阶段验收的单细胞分析工作流，用于 scRNA-seq、10x Genomics、Scanpy/Seurat、单细胞差异表达、轨迹、RNA velocity、细胞通信、多模态、空间与 scFM。负责串联 single-cell-prep、sc-downstream-analysis、scfm-embed、bio-spatial 与实验验证。禁用于 bulk RNA-seq / microarray GEO（用 geo-triage）。
Installer avec Codex ou Claude Copiez ce prompt, collez-le dans Codex, Claude ou un autre assistant, puis laissez-le vérifier la page du skill et l'installer pour vous.
Basé sur la classification professionnelle SOC
用于给一个 outcome 的证据确定性做 GRADE 评级、产出 Summary of Findings (SoF) 表。触发：证据确定性、certainty of evidence、GRADE、证据质量分级、这个结论有多可靠、SoF 表、summary of findings、要不要下推荐、指南证据分级、quality of evidence、能不能信这个结论、证据强度、evidence certainty、把证据评个级。也用于"这个疗法的证据到底有多强"、"帮我给这几个结局评 GRADE"、"这条推荐的证据基础可靠吗"。禁用于：单纯核对某个 PMID 真伪（那用 evidence-audit / evidence_verify）。
Use for cross-modal target discovery from an unmet clinical need, combining literature, genetics, druggability, clinical trials, single-cell, and spatial evidence in one auditable context.
Design executable biomedical experiments from literature gaps or hypotheses, including testability, power, protocol, reagents, cost, preregistration, and failure modes.
Persist and query biomedical causal triples from BioCSSwitch conversations, literature checks, and debate outputs.
用于任何**可能含患者数据 / 临床原始记录 / 医疗档案**的场景，强制先做 PHI 检测再决定去向。触发：患者、病历、病案、临床数据、EHR、EMR、住院记录、门诊记录、handover note、progress note、discharge summary、SOAP、真实世界数据、RWD、reidentification、identifiable data、真实病人、我这里有一段病历、这是一份体检报告、帮我看一下这份 CT 报告、我上传一份门诊记录、患者档案、患儿、受试者数据、subject-level data、临床原始表、GCP 数据、eCRF、我要处理 HIPAA、PHI、脱敏、去标识化、我们医院的数据。也在提到 sensitive_mode / 敏感模式 / 隐私模式 时触发。禁用于：公开文献 / 已发表数据 —— 那些不含 PHI，扫描是浪费时间。
Use when the user opts into a local research-interest model, wants personalized paper/preprint/trial updates, saves or rejects research suggestions, asks for a proactive briefing, or wants workflow prediction across sessions.
| name | sc-analysis |
| description | 端到端、分阶段验收的单细胞分析工作流，用于 scRNA-seq、10x Genomics、Scanpy/Seurat、单细胞差异表达、轨迹、RNA velocity、细胞通信、多模态、空间与 scFM。负责串联 single-cell-prep、sc-downstream-analysis、scfm-embed、bio-spatial 与实验验证。禁用于 bulk RNA-seq / microarray GEO（用 geo-triage）。 |
本 skill 按 measure → contextualize → perturb → model 组织分析。标准 scRNA-seq 是基础设施，不以“跑完 UMAP”为完成标准；每一阶段必须产生可审计产物并通过验收门槛。 优先回答生物学问题，前沿模型仅在能增加非冗余信息或可检验预测时接入。
先记录：
如果 condition 与 batch 完全混杂，停止 condition-level claim。整合算法不能恢复实验设计中 不存在的可识别性。
anndata_fingerprint 锁定数据描述与真内容哈希。Gate 通过条件：raw counts 可确认；推断单位明确；关键混杂已识别；输入哈希已记录。
sc_qc_thresholds，按 sample/capture library 使用 MAD 阈值；固定阈值仅作硬上限，
不作为跨组织通用规则。sc_doublet_recipe，按 capture library 分开检测；doublet 是建议标签，
同时检查是否富集于真实过渡态或高 RNA 含量细胞。Gate 通过条件：无单一样本被阈值异常清空；排除率和原因可追溯；counts 层未被覆盖。
使用 sc_scanpy_pipeline.py 生成可运行脚本。必须传 --sample-key；有条件比较时同时传
--condition-key；技术整合才传 --batch-key。生成器会输出：
python packs/bio-workflows/generators/sc_scanpy_pipeline.py \
--h5ad data/input.h5ad --out analysis/run_scanpy.py --outdir results \
--organism human --tissue lung \
--sample-key donor_id --condition-key disease \
--batch-key library_batch --doublet-key capture_id --include-doublet
python analysis/run_scanpy.py
design_audit.json 与 condition×batch 表；analysis_readiness.json 与完整 provenance。整合采用“最弱充分方法”：
聚类不是生物学真值。报告分辨率网格、不同 seed 的 ARI、每群跨样本支持；单一样本驱动、 不稳定或仅由 QC 指标定义的 cluster 不进入正式命名。
调用 sc_celltype_recipe，采用三角验证：
输出 cell-level confidence、cluster×reference 交叉表、冲突原因。设置信心阈值并保留
unknown / ambiguous，不强制每个细胞获得精确标签。稀有细胞需跨样本出现或有正交验证；
只在 UMAP 上成岛不构成新细胞类型证据。
sc_deg_recipe，默认 sample×cell type pseudobulk；
每组通常至少 3 个 biological replicates，并在设计式中加入配对/批次协变量。sc_trajectory_recipe；root、方向和分支必须来自时间点、lineage tracing 或明确生物学先验。sc_communication_recipe；至少比较一种数据库方法与表达/空间邻接基线。sc_marker_recipe，富集用 sc_enrichment_recipe；sc_multimodal_recipe，每个模态先独立 QC，再做 WNN/totalVI/MultiVI；bio-spatial。细胞分割、背景和 transcript assignment 是首要误差源；scFM 不是默认步骤。用 scfm-embed 时必须：
观测性单细胞数据产生假设；Perturb-seq、空间扰动、rescue 或正交实验负责因果验证。 优先输出“可区分竞争解释的下一实验”，而不是把 trajectory、communication 或模型 attention 写成机制。
交付至少包含：
没有用户实际运行产物时，只能评价配方与可识别性，不能编造 cluster、marker、DEG、轨迹、 通信或模型性能。