生信分析生信模式单细胞组学真实运行
健康人 PBMC 细胞类型注释：三种方法一致性分析
帮我基于 CellTypist、SingleR 与经典 Marker 基因，对健康人 PBMC 进行细胞类型注释一致性分析。
智能体怎么做
- 准备数据与环境下载 10x Genomics 公开的 PBMC 3k 数据并核对 md5，在独立的 Python 环境里安装 scanpy、CellTypist、SingleR，不改动已有环境。
- 质控与聚类按 scanpy 官方教程的阈值质控，保留 2,638 个细胞；Scrublet 只标记疑似双细胞不剔除；归一化、降维后 Leiden 聚类得到 8 个簇。
- 三种方法分别注释CellTypist 用 Immune_All_Low 模型，SingleR 用 Monaco 免疫参考集，Marker 方法用 14 组经典免疫签名打分，三者统一输入同一份归一化矩阵。
- 统一口径再比较把三套命名不同、粗细不同的标签归并到同一套 16 类体系，再算逐细胞和簇水平的一致率、Cohen’s κ、ARI、NMI。
- 追查分歧并出报告逐个解释分歧最大的簇，例如簇 5 被 Marker 方法误判为红细胞，原因是红细胞签名的 6 个基因有 5 个在质控中被过滤；最后输出中文报告、图表和一键复现脚本。
运行截图
PaperOK科研助手中这次对话的实际界面。
运行结果
以下文件由智能体在应用中实际生成，未做修改。
