single-cell-annotation-skills-with-omicverse

Guide Claude through SCSA, MetaTiME, CellVote, CellMatch, GPTAnno, and weighted KNN transfer workflows for annotating single-cell modalities.

1. Pobierz dane wejściowe: surowe liczby z PBMC3k od 10x Genomics (plik pbmc3k_filtered_gene_bc_matrices.tar.gz) lub przetworzony plik sample/rna.h5ad. Rozpakuj macierze do folderu data/filtered_gene_bc_matrices/hg19/. Pobierz również bazę danych SCSA (np. pySCSA_2024_v1_plus.db z linków Figshare lub Drive wskazanych w tutorialu).

2. Przeprowadź preprocessing danych: załaduj macierz za pomocą ov.io.read_10x_mtx, uruchom kontrolę jakości (ov.pp.qc), normalizację i wybór genów o wysokiej zmienności (ov.pp.preprocess), skalowanie (ov.pp.scale), analizę głównych składowych (ov.pp.pca), budowanie grafu sąsiedztwa oraz klasteryzację Leiden.

3. Wybierz metodę adnotacji: dla SCSA utwórz instancję pySCSA wskazując ścieżkę do bazy danych i uruchom predykcję; dla MetaTiME, CellVote, CellMatch i GPTAnno postępuj zgodnie z odpowiednimi notebookami tutorialu (t_metatime.ipynb, t_cellvote.ipynb, t_cellmatch.ipynb, t_gptanno.ipynb); dla transfer learning użyj metody ważonego KNN opisanej w t_anno_trans.ipynb.

4. Uruchom trening lub wnioskowanie: każda metoda ma własne parametry — SCSA wymaga wskazania bazy danych, inne metody mogą wymagać danych referencyjnych lub wag. Postępuj zgodnie z krokami opisanymi w odpowiednim notebooku tutorialu.

5. Zinterpretuj wyniki: każda metoda zwraca adnotacje typów komórek przypisane do każdej komórki. Porównaj wyniki między metodami (szczególnie CellVote służy do uzyskania konsensusu) i sprawdź metryki jakości opisane w tutorialach.

6. Dostosuj przepływ pracy: umiejętność umożliwia reprodukcję i adaptację playbooka — możesz modyfikować parametry preprocessing, wybierać różne bazy danych referencyjnych lub łączyć wyniki z wielu metod dla bardziej niezawodnej klasyfikacji.