scRNA-seq 拟时序分析（monocle3）

一句话：在常规流程的注释结果上直接学分化轨迹——复用 Seurat 的 UMAP 和聚类 ID，monocle3 定起点、排拟时序、找拟时序相关基因。

获取本技能 · Get this skill

方式 A —— 一键引导 prompt（推荐）。复制下面这段，粘贴到你的 AI agent IDE：

请帮我安装 Claw2Bio 技能库中的 "scRNA-seq-pseudotime" 技能：
1. 从 GitHub 仓库 https://github.com/nihuanhe/claw2bio 只拉取 bioinformatics/sc_RNA_seq/scRNA-seq-pseudotime
   这一个文件夹（用 sparse checkout，不要克隆整库）。
2. 阅读其中的 SKILL.md 并注册该技能。
3. 运行 examples/ 里的示例验证环境，把输出的图给我看。

方式 B —— 独立 zip 包（约 16.6 MB，本站下载）：https://claw2bio.site/downloads/scRNA-seq-pseudotime.zip

方式 C —— 全量示例数据：已包含在方式 B 包内（同一个压缩包）。

它能做什么

前提是先跑完 scRNA-seq 常规流程 拿到 annotated_seurat.rds（本技能不做 QC / 聚类）。它复用已有的 UMAP 嵌入与 cluster ID，用 monocle3 学轨迹图，从你指定的起点（root cluster 或细胞类型标签）排出拟时序，并用 graph_test 找拟时序相关基因。真实示例（GSE234527，10,859 个细胞，以 cluster 0 为 root）全程约 11 分钟，找出 13,790 个拟时序相关基因（q < 0.05）。

按拟时序着色的轨迹图——颜色越暖表示离起点越远（示例以 cluster 0 为 root）。

同一轨迹按 cluster 着色，便于确认轨迹走向与细胞类型的对应关系。

graph_test 排名靠前的基因（真实示例为 HES4）在轨迹上的表达趋势，top-4 基因各出一张。

起点选择是生物学决策：技能拒绝在无 --root-cluster / --root-label 的情况下运行，会先打印 cluster → 标签对照表帮你选。

快速上手（30 秒）

cd bioinformatics/sc_RNA_seq/scRNA-seq-pseudotime
python scripts/run_pseudotime.py <annotated_seurat.rds> <output_dir> \
  --root-cluster 3            # 或 --root-label "Naive CD4 T"

先不带 root 跑一次，技能会打印 cluster → label 表后退出；也可以直接查主流程输出的 annotation_per_cluster.csv。

输入格式

• 常规流程输出的 annotated_seurat.rds（需要 seurat_clusters、UMAP reduction；按标签定根时需要 cell_type_final）。
• 想直接复现本页的真实案例图？ 输入 rds 的 slim 版（39 MB，GSE234527 全量 10,859 细胞，已实测可跑通本技能）可从 COS 下载：https://my-website-1358159656.cos.ap-guangzhou.myqcloud.com/scRNA-seq/data/annotated_seurat.slim.rds，下载后按上面「快速上手」的命令跑即可（root 选 --root-cluster 0）。

输出文件

文件	内容
pseudotime_cds.rds	带拟时序的 monocle3 cell_data_set
trajectory_by_pseudotime/cluster/group/sample.png	轨迹图组
pseudotime_genes.csv	graph_test 全表（q < 0.05 为显著）
gene_<X>_on_trajectory.png	top-4 拟时序基因的趋势图
REPORT.md / pseudotime_summary.json	报告 + 机器可读摘要

参数

参数	默认值	说明
--root-cluster	—	作为轨迹起点的 cluster id（二选一，必填）
--root-label	—	作为起点的 cell_type_final 标签（二选一，必填）
--subset-labels	—	先按标签圈定细胞类型再建轨迹
--no-graph-test	关	跳过较慢的 graph_test
--cores	4	graph_test 并行核数
--resume / --overwrite	关	--resume 复用 .checkpoint_cds_learned.rds（跳过建 cds 与 learn_graph）；--overwrite 允许写入非空目录

常见问题

• 不知道该选哪个 root → 不带 root 跑一次，看打印的对照表；root 是生物学判断，技能不替你决定。
• learn_graph / graph_test 内存爆了 → 这两步是内存高峰；learn_graph 之后自动写 .checkpoint_cds_learned.rds，崩溃后加 --resume 即可复用（跳过建 cds 与 learn_graph， 不必重算）。运行正常结束时会自动删掉该检查点。
• graph_test 太慢 → 加 --no-graph-test 只要轨迹，或 --subset-labels 缩小细胞范围。
• 为什么必须用技能自带脚本，不能让 AI 现写？scripts/ 里的是经过验证的路径：它们在示例数据上跑过，边界情况有文档记录。AI 现场生成的代码是 "结果悄悄出错"的最常见来源。遇到没覆盖的情况，先改命令行参数；不够就复制脚本到临时目录做最小改动 并说明改了什么；只有完全没有对应脚本时才允许新写，且新写后要回沉淀到 scripts/。

相关链接

• GitHub 源码与 SKILL.md
• 相关技能：scRNA-seq 常规流程 · 虚拟敲除