فحص جودة الحمض النووي الريبوسومي أحادي الخلية

# التحكم في جودة تسلسل الحمض النووي الريبوسومي أحادي الخلية

سير عمل التحكم في الجودة المؤتمتة لبيانات تسلسل الحمض النووي الريبوسومي أحادي الخلية باتباع أفضل الممارسات في scverse.

## متى يتم استخدام هذه المهارة

استخدم عندما يطلب المستخدمون: - التحكم في الجودة أو QC على بيانات تسلسل الحمض النووي الريبوسومي أحادي الخلية - تصفية الخلايا منخفضة الجودة أو تقييم جودة البيانات - تصورات أو مقاييس التحكم في الجودة - اتباع أفضل الممارسات في scverse/scanpy - طلب تصفية قائمة على MAD أو الكشف عن القيم الشاذة

**تنسيقات الإدخال المدعومة:** - ملفات `.h5ad` (تنسيق AnnData من سير عمل scanpy/Python) - ملفات `.h5` (مخرجات 10X Genomics Cell Ranger)

**التوصية الافتراضية**: استخدم الطريقة 1 (خط الأنابيب الكامل) ما لم يكن لدى المستخدم متطلبات مخصصة محددة أو يطلب بوضوح منطق تصفية غير قياسي.

## الطريقة 1: خط أنابيب QC الكامل (موصى به للسير العملية القياسية)

للتحكم القياسي في الجودة باتباع أفضل الممارسات في scverse، استخدم سكريبت الراحة `scripts/qc_analysis.py`:

```bash python3 scripts/qc_analysis.py input.h5ad # أو لملفات 10X Genomics h5.: python3 scripts/qc_analysis.py raw_feature_bc_matrix.h5 ```

يكتشف السكريبت تنسيق الملف تلقائياً ويحمله بشكل مناسب.

**متى يتم استخدام هذه الطريقة:** - سير عمل التحكم في الجودة القياسي مع عتبات قابلة للتعديل (يتم تصفية جميع الخلايا بنفس الطريقة) - المعالجة الدفعية لمجموعات بيانات متعددة - التحليل الاستكشافي السريع - المستخدم يريد حلاً "يعمل فقط"

**المتطلبات:** anndata، scanpy، scipy، matplotlib، seaborn، numpy

**المعاملات:**

قم بتخصيص عتبات التصفية وأنماط الجينات باستخدام معاملات سطر الأوامر: - `--output-dir` - دليل الإخراج - `--mad-counts`, `--mad-genes`, `--mad-mt` - عتبات MAD للعدد/الجينات/نسبة MT - `--mt-threshold` - حد قطع الميتوكوندريا الثابت - `--min-cells` - عتبة تصفية الجين - `--mt-pattern`, `--ribo-pattern`, `--hb-pattern` - أنماط أسماء الجينات للأنواع المختلفة

استخدم `--help` لمراجعة القيم الافتراضية الحالية.

**المخرجات:**

يتم حفظ جميع الملفات في دليل `<input_basename>_qc_results/` بشكل افتراضي (أو في الدليل المحدد بواسطة `--output-dir`): - `qc_metrics_before_filtering.png` - التصورات السابقة للتصفية - `qc_filtering_thresholds.png` - تراكبات العتبة القائمة على MAD - `qc_metrics_after_filtering.png` - مقاييس جودة ما بعد التصفية - `<input_basename>_filtered.h5ad` - مجموعة بيانات نظيفة ومصفاة جاهزة للتحليل اللاحق - `<input_basename>_with_qc.h5ad` - البيانات الأصلية مع حفظ التعليقات التوضيحية QC

عند نسخ المخرجات لوصول المستخدم، انسخ الملفات الفردية (وليس الدليل بالكامل) حتى يتمكن المستخدمون من معاينتها مباشرة.

### خطوات سير العمل

يقوم السكريبت بتنفيذ الخطوات التالية:

1. **حساب مقاييس QC** - عمق العد وكشف الجين ومحتوى الميتوكوندريا/الريبوسومي/الهيموغلوبين 2. **تطبيق التصفية القائمة على MAD** - كشف القيم الشاذة المتساهل باستخدام عتبات MAD للعد/الجينات/نسبة MT 3. **تصفية الجينات** - إزالة الجينات المكتشفة في عدد قليل من الخلايا 4. **إنشاء التصورات** - رسوم بيانية شاملة قبل وبعد مع تراكبات العتبة

## الطريقة 2: وحدات البناء المعيارية (للسير العملية المخصصة)

للسير العملية المخصصة أو المتطلبات غير القياسية، استخدم وظائف المرافق المعيارية من `scripts/qc_core.py` و `scripts/qc_plotting.py`:

```python # قم بالتشغيل من دليل scripts/، أو أضف scripts/ إلى sys.path إذا لزم الأمر import anndata as ad from qc_core import calculate_qc_metrics, detect_outliers_mad, filter_cells from qc_plotting import plot_qc_distributions # فقط إذا كانت التصورات مطلوبة

adata = ad.read_h5ad('input.h5ad') calculate_qc_metrics(adata, inplace=True) # ... منطق التحليل المخصص هنا ```

**متى يتم استخدام هذه الطريقة:** - سير عمل مختلف مطلوب (تخطي الخطوات أو تغيير الترتيب أو تطبيق عتبات مختلفة على المجموعات الفرعية) - منطق شرطي (مثل: تصفية الخلايا العصبية بشكل مختلف عن الخلايا الأخرى) - التنفيذ الجزئي (فقط المقاييس/التصور بدون تصفية) - التكامل مع خطوات التحليل الأخرى في خط أنابيب أكبر - معايير التصفية المخصصة التي تتجاوز ما تدعمه معاملات سطر الأوامر

**وظائف المرافق المتاحة:**

من `qc_core.py` (عمليات QC الأساسية): - `calculate_qc_metrics(adata, mt_pattern, ribo_pattern, hb_pattern, inplace=True)` - حساب مقاييس QC وتعليق adata - `detect_outliers_mad(adata, metric, n_mads, verbose=True)` - كشف القيم الشاذة القائم على MAD، يُرجع قناع منطقي - `apply_hard_threshold(adata, metric, threshold, operator='>', verbose=True)` - تطبيق حد قطع ثابت، يُرجع قناع منطقي - `filter_cells(adata, mask, inplace=False)` - تطبيق قناع منطقي لتصفية الخلايا - `filter_genes(adata, min_cells=20, min_counts=None, inplace=True)` - تصفية الجينات حسب الكشف - `print_qc_summary(adata, label='')` - طباعة إحصائيات ملخصة

من `qc_plotting.py` (التصور): - `plot_qc_distributions(adata, output_path, title)` - إنشاء رسوم بيانية QC شاملة - `plot_filtering_thresholds(adata, outlier_masks, thresholds, output_path)` - تصور عتبات التصفية - `plot_qc_after_filtering(adata, output_path)` - إنشاء رسوم بيانية ما بعد التصفية

**سير العمل المخصص للأمثلة:**

**المثال 1: حساب المقاييس والتصور فقط، بدون تصفية حتى الآن** ```python adata = ad.read_h5ad('input.h5ad') calculate_qc_metrics(adata, inplace=True) plot_qc_distributions(adata, 'qc_overview.png', 'QC Overview') ```