single-cell-rna-qc

single-cell-rna-qc ist ein einzelner Agent Skill aus Anthropics quelloffenem Repository knowledge-work-plugins (https://github.com/anthropics/knowledge-work-plugins), genauer aus dem Plugin-Bündel bio-research. Der Skill kapselt einen kompletten Ablauf zur Qualitätskontrolle von Einzelzell-RNA-Sequenzierungsdaten (single-cell RNA-seq, scRNA-seq) und orientiert sich dabei ausdrücklich an den Best Practices des scverse-Ökosystems rund um scanpy und AnnData. Die maßgebliche Beschreibung steht in der Datei SKILL.md im Ordner bio-research/skills/single-cell-rna-qc; das gesamte Repository steht unter der Apache-2.0-Lizenz und ist frei einsehbar.

Was der Skill automatisiert

Laut Anbieter nimmt der Skill Rohdaten im Format .h5ad (AnnData aus Python-Workflows) oder .h5 (10x Genomics Cell Ranger) entgegen und erkennt das Format automatisch. Er berechnet die üblichen QC-Kennzahlen je Zelle: die Gesamtzahl der Zählwerte (Count Depth), die Zahl der detektierten Gene sowie den Anteil mitochondrialer, ribosomaler und Hämoglobin-Gene. Anschließend markiert er auffällige Zellen, filtert schwach detektierte Gene heraus und erzeugt Vorher-nachher-Visualisierungen mit eingezeichneten Schwellenwerten. Ergebnis sind ein bereinigter Datensatz für die nachgelagerte Analyse sowie eine Kopie der Originaldaten mit angehängten QC-Annotationen.

MAD-basierte Filterung statt fester Schwellenwerte

Kern des Skills ist die Ausreißererkennung über die mediane absolute Abweichung (MAD) statt über starre Grenzwerte wie „mindestens 500 Gene". Feste Schwellen scheitern laut der mitgelieferten Referenz daran, dass Protokoll, Gewebe und Spezies stark unterschiedliche Wertebereiche erzeugen. MAD-Grenzen passen sich dagegen an die Verteilung des konkreten Datensatzes an. Die Voreinstellungen sind bewusst permissiv gewählt, um seltene Zellpopulationen nicht versehentlich zu entfernen; für den Mitochondrienanteil kommt zusätzlich ein harter Grenzwert hinzu. Alle Schwellen, die Gen-Namensmuster für andere Spezies und die MAD-Faktoren lassen sich über Kommandozeilenparameter anpassen.

Zwei Arbeitsweisen

Für Standardfälle genügt das Komfortskript scripts/qc_analysis.py, das die gesamte Pipeline in einem Aufruf abarbeitet. Für Sonderfälle – abweichende Reihenfolge, nur Kennzahlen ohne Filterung, unterschiedliche Schwellen je Zelltyp – stellt der Skill modulare Funktionen aus qc_core.py und qc_plotting.py bereit, etwa calculate_qc_metrics, detect_outliers_mad, filter_cells oder plot_qc_distributions. Die Referenzdatei references/scverse_qc_guidelines.md erläutert jede Kennzahl, die Begründung der Schwellen und die Deutung der Diagramme (Histogramme, Violin- und Streudiagramme).

Voraussetzungen und Grenzen

Der Skill benötigt eine Python-Umgebung mit anndata, scanpy, scipy, matplotlib, seaborn und numpy. Anthropic stellt die Plugins des Repositoriums laut eigener Angabe primär für Claude Cowork bereit, nennt aber ausdrücklich auch Claude Code als kompatible Umgebung. Wie bei allen Skills der Sammlung gilt der Hinweis des Anbieters, dass das tatsächliche Verhalten abweichen kann und der Ablauf vor dem produktiven Einsatz in der eigenen Umgebung geprüft werden sollte. Der Skill deckt bewusst nur die Qualitätskontrolle ab; Schritte wie Ambient-RNA-Korrektur, Doublet-Erkennung, Normalisierung oder Batch-Korrektur sind nicht enthalten und werden in der Referenz nur als typische Folgeschritte genannt.

Installation

Das Plugin-Bündel wird über den Claude-Marktplatz eingebunden: zunächst claude plugin marketplace add anthropics/knowledge-work-plugins, dann claude plugin install bio-research@knowledge-work-plugins. Danach greift der Skill automatisch, sobald eine Anfrage nach QC, Zellfilterung oder scverse-konformer Aufbereitung erkannt wird. Alternativ lässt sich das Bündel direkt aus Claude Cowork über claude.com/plugins installieren.

Für wen sich der Skill lohnt

Nützlich ist single-cell-rna-qc für Bioinformatik-Teams, Kernlabore und Forschende, die scRNA-seq-Datensätze reproduzierbar und nach anerkannten Standards aufbereiten wollen, ohne den QC-Code jedes Mal neu zu schreiben. Wer einen fest etablierten hauseigenen QC-Workflow hat oder mit Nicht-Standard-Filterlogik arbeitet, kann die modularen Bausteine gezielt einsetzen statt der Komplettpipeline. Für Aufgaben ohne Einzelzellbezug – etwa Bulk-RNA-seq oder die reine Visualisierung bereits gefilterter Daten – ist der Skill nicht gedacht. Kosten entstehen durch den Skill selbst nicht; er ist quelloffen und frei nutzbar, lediglich die genutzte Claude-Umgebung und lokale Rechenzeit fallen an.