最近一直在研究单细胞转录组数据分析，尤其是无监督条件下的scRNA-seq 数据分析方法，因此特地分享这个教程。目前scRNA-seq数据有开发比较成熟的工具，其中以Seurat 为代表。Scanpy 也是Seurat的python版本，一经发布就收到了广泛的关注，目前scanpy 和 Seurat 已经成为了scRNA-seq数据分析的几乎必备的工具。

我们以Scanpy 发布的 处理3k PBMC的数据为例子，来展开说一说，scanpy 在处理pbmc数据的时候每一步到底是在干什么，以及有什么用处。

scRNA-seq 数据到底长什么样子？

在详细的介绍scanpy之前，我们先来了解单细胞转录组也就是scRNA-seq 数据到底长什么样子。

Anndata 数据格式

如果想用好scanpy，一定首要清楚scanpy的数据存储结构Anndata。所有scanpy的function以及结果都会存在这个Anndata中。

Anndata的Tutorial，放在这里，计算机背景比较强的同学可以直接看这个doc就可以，但是还有很多生物方向的同学，对计算和数据结构并不是那么擅长，为此这里也简单解释一下。

Anndata 数据结构

AnnData诞生的原因

目前python 存储数据格式的形式已经有很多了，普遍来说numpy和dataframe已经是python中特别常用的数据矩阵格式，这时候为什么还需要有Anndata呢？最主要的原因就是单细胞转录组数据过于庞大与稀疏，采用Dataframe这种结构化储存的格式势必会对机器内存带来挑战。而AnnData采取的是scipy中稀疏矩阵存储的方式，大大节约了内存。

同时单细胞数据因为下游任务的要求，会对细胞或者基因进行注释和计算，而这些注释和计算的结果则对下游分析也有着一定的影响，为此除了单纯的稀疏矩阵存储单细胞转录组数据，AnnData也在数据中加入对细胞和基因以及其他辅助数学分析的量（var，obs，uns）来很好的解释单细胞数据。

obs

对细胞的注释，单细胞数据集一般是在无监督（没有标签的背景下分析的），为此我们需要对细胞进行注释，比如通过聚类，比如通过其他的方式（多模态表面蛋白标注）。因此Anndata.obs则是对每个细胞的标注，是一个Dataframe数据结构。

var

对基因的注释，我们同时某些基因也非常关注，比如某些基因是否是marker基因，某些基因是否是线粒体基因等等，这些对基因的注释都存储在Anndata.var中，也是个Dataframe的数据格式。

obsm

对细胞可视化的注释。我们知道单细胞数据集是多基因的高纬度数据集，因此如果想要进行可视化，就必须进行降纬操作，常用的降低维度的手段有PCA，TSNE，UMAP，通过这些降维手段后每个细胞都在embedding（降低后的维度）有个坐标信息，这个Anndata.obsm则是储存这个obs的坐标信息的。这是一种类字典的AxisArrays数据结构形式。可以采用字典的形式进行访问和查询。

varm

对基因的降维度操作，变量/特征的多维注释（可变结构化 ndarray）。为每个密钥存储长度n_vars的二维或更高维 nd数组。使用数据和变量进行切片，但行为类似于映射。一般来讲存储的是高维度基因降维后的PC值。同样也是可以采用字典的形式进行访问和查询。

obsp

对细胞间距离的注释。对于无监督背景下的数据分析，我们关心的是细胞之间的距离相似性，通过相似性可以对细胞进行聚类，而obsp存储的就是细胞之间的distance和通过采用流型学习，细胞之间建图的信息。（具体原理在稍后的文章进行阐述）

uns

非结构的注释。有时候我们不仅仅需要对细胞和基因进行注释，同时也需要存储一些其他的分析量。比如寻找差异基因，比如看差异基因的差异程度pvalue值等，这些非结构的注释一般都是存储在Anndata.uns中。这是一个Dict数据结构。

持续更新..