single-cell-clustering-and-batch-correction-with-omicverse

Guide Claude through omicverse's single-cell clustering workflow, covering preprocessing, QC, multimethod clustering, topic modeling, cNMF, and cross-batch integration as demonstrated in t_cluster.ipynb and t_single_batch.ipynb.

1. Zainstaluj omicverse i wymagane biblioteki (scanpy, scvelo dla danych demo). Zaimportuj omicverse jako ov, scanpy jako sc i zastosuj ov.plot_set() do ustawienia stylizacji wykresów.

2. Wczytaj dane jako obiekt AnnData — użyj scv.datasets.dentategyrus() do demonstracji lub ov.read() do załadowania plików .h5ad. Jeśli analizujesz wiele batch'y, ustaw identyfikatory w adata.obs['batch'] dla każdej kohorty.

3. Uruchom kontrolę jakości za pomocą ov.pp.qc() z progami dla procentu mitochondrialnego, liczby UMI i liczby wykrytych genów. Funkcja automatycznie odfiltruje komórki niskiej jakości i wyświetli statystyki per batch. Zapisz przefiltrowany obiekt jako punkt kontrolny.

4. Przeprowadź preprocessing i selekcję genów — wywołaj ov.pp.preprocess() z wyborem trybu (shiftlog lub pearson), ustaw liczbę genów wysoce zmiennych (np. 3000) i opcjonalnie wskaż batch_key do normalizacji wewnątrzbatch'owej. Przypisz adata.raw = adata przed subsettingiem do wybranych genów.

5. Wybierz metodę klasteryzacji (Leiden, Louvain, scICE lub GMM) i uruchom ją przez odpowiednią funkcję ov.pp — wynik zostanie zapisany w adata.obs['leiden'] lub innym kluczu. Wizualizuj wyniki za pomocą sc.pl.umap() lub sc.pl.tsne().

6. Dla danych wielobatch'owych zastosuj korekcję batch'y — wybierz Harmony, scVI, BBKNN lub Combat i uruchom przez omicverse. Opcjonalnie dodaj modelowanie tematyczne (topic modeling) lub cNMF do odkrycia wzorców biologicznych w klastrach.