03 生信教程与工具库 — 亚分类索引

双维度分类：先按组学种类，再按教程类型。每条资源可同时命中多个分类，标注最贴切的分类即可。

1 按组学种类#

1.1 单细胞转录组 (scRNA-seq)#

1.1.1 分析教程

Vector Field 向量场分析 — RNA velocity / scVelo / 向量场的动态分析概念
omicverse 官方教程 — 多组学 Python 库，含单细胞全流程
rapids-singlecell Demo Workflow — GPU 加速单细胞基础分析流程
GPU 加速的 11 种单细胞通路富集活性打分 — AUCell/GSVA/GSEA 等 11 种方法对比
scSurv 单细胞生存分析 — 深度学习生存分析

1.1.2 作图美化

Science 同款 GSEA 排序气泡图 — Seurat + clusterProfiler + ggplot2 复现
OmicVerse-Notebook 可视化优化 — Jupyter 中增强单细胞分析显示

1.1.3 工具/包使用

omicverse — 单细胞 + bulk + 空间多组学 Python 库
rapids-singlecell — GPU 加速单细胞分析

1.1.4 安装与环境配置

rapids-singlecell 安装 — RAPIDS + CUDA 环境配置

1.1.5 工作流/Pipeline

(待补充)

1.2 单细胞其他组学 (scATAC / scMultiome)#

当前暂无内容，以下为预留分类。

1.2.1 单细胞 ATAC-seq

1.2.2 单细胞多组学 (scMultiome, CITE-seq 等)

1.2.3 单细胞免疫组库 (scTCR/scBCR)

1.3 Bulk 转录组 (Bulk RNA-seq)#

1.3.1 分析教程

(待补充：差异分析、WGCNA、时间序列等)
omicverse — 也支持 bulk RNA-seq 分析

1.3.2 作图美化

1.3.3 数据下载/预处理

(待补充：GEO/SRA/TCGA 数据获取)

1.4 表观组 (CUT&Tag / ChIP-seq / ATAC-seq)#

1.4.1 分析教程

转录组联合表观组摆图逻辑 — CUT&Tag peak calling、metagene、genomic feature distribution

1.4.2 作图美化

(待补充)

1.5 多组学联合#

1.5.1 转录组 + 表观组

CUT&Tag + RNA-seq 联合分析七层摆图逻辑

1.5.2 转录组 + 蛋白组/代谢组

(待补充)

1.5.3 单细胞 + 空间联合

(待补充)

1.6 空间转录组 (Spatial Transcriptomics)#

1.6.1 分析教程

1.6.2 作图美化

1.6.3 工具/包使用

当前暂无独立内容，omicverse 官方教程含部分空间组学支持。

1.7 通用/跨组学#

不限于特定组学的方法、工具和理论。

1.7.1 可视化与配色

CNS 级配色 01 — 张泽民全场景单细胞色板拆解

1.7.2 AI 辅助生信

1.7.3 统计方法

(待补充)

1.7.4 服务器/计算环境

(待补充)

2 按教程类型#

2.1 分析教程 (Analysis)#

数据处理、差异分析、富集分析、细胞注释等"干实验"分析方法。

2.1.1 差异分析与 DEG 筛选

转录组联合表观组摆图逻辑 — 含 DEG 筛选与多组学联合逻辑

2.1.2 富集分析 / 通路分析

2.1.3 细胞注释 / 分群

(待补充)

2.1.4 生存分析

scSurv：深度学习单细胞生存分析

2.1.5 轨迹推断 / 拟时序

单细胞动态分析：Vector Field 向量场 vs RNA velocity / scVelo — 动态分析三层架构（velocity → scVelo → 向量场）概念梳理

2.1.6 细胞通讯

(待补充)

2.2 作图美化教程 (Visualization)#

配色方案、图表复现、ggplot2/matplotlib 美化技巧。

2.2.1 配色方案

CNS 级配色 01 — 张泽民全场景单细胞色板拆解

2.2.2 图表类型复现

2.2.3 摆图逻辑

转录组联合表观组七层摆图逻辑

2.3 工具/软件使用 (Tools)#

Python 包、R 包、AI 工具的使用说明。

2.3.1 Python 包

2.3.2 R 包

aisdk（AI 助手）

2.3.3 AI 工具 / Skill

2.4 数据下载/获取 (Data Download)#

GEO / TCGA / SRA / 公共数据库数据获取教程。

2.4.1 GEO 数据下载

(待补充)

2.4.2 TCGA 数据下载

(待补充)

2.4.3 SRA/ENA 原始数据下载

(待补充)

2.5 理论/方法论 (Theory & Methods)#

分析思路、实验设计、方法论综述，不涉及具体代码但指导分析方向。

2.5.1 组学分析思路

CUT&Tag + RNA-seq 联合分析思路

2.5.2 统计方法

(待补充)

2.5.3 课题设计

(待补充)

2.6 安装与环境配置 (Setup & Environment)#

conda 环境、CUDA/GPU 驱动、R/Python 环境搭建。

2.6.1 Python/Conda 环境

rapids-singlecell 环境安装

2.6.2 R 环境

(待补充)

2.6.3 GPU/CUDA 配置

RAPIDS + CUDA 配置

2.7 工作流/Pipeline (Workflows)#

端到端分析流程，含多个步骤串联的完整 SOP。

2.7.1 单细胞标准流程

(待结构化整合)

2.7.2 Bulk RNA-seq 标准流程

(待补充)

2.8 AI/自动化辅助 (AI & Automation)#

AI 辅助生信分析、代码生成、文献自动化整理。

2.8.1 AI 辅助编程

aisdk：R 控制台 AI 助手
aisdk README

2.8.2 AI 辅助写作/研究

academic-research-skills

3 现有内容分布速查#

文件	组学分类 →	教程类型 →
GPU加速的11种单细胞通路富集	1.1.1 单细胞分析	2.1.2 富集分析 / 2.3.1 Python 包
Science同款GSEA排序气泡图	1.1.2 单细胞作图	2.2.2 图表复现
转录组联合表观组摆图逻辑	1.5.1 多组学联合 / 1.4.1 表观组	2.5.1 分析思路 / 2.2.3 摆图逻辑
CNS级配色01	1.7.1 通用/跨组学	2.2.1 配色方案
aisdk	1.7.2 AI辅助	2.8.1 AI辅助编程
academic-research-skills	1.7.2 AI辅助	2.8.2 AI辅助写作
OmicVerse-Notebook	1.1.2 单细胞作图	2.2.2 图表复现 / 2.3.1 Python包
omicverse 官方教程	1.1.1 单细胞分析	2.3.1 Python包
rapids-singlecell 安装	1.1.4 安装配置	2.6.1 Conda环境 / 2.6.3 GPU配置
rapids-singlecell Demo	1.1.1 单细胞分析	2.3.1 Python包
scSurv 单细胞生存分析	1.1.1 单细胞分析	2.1.4 生存分析
Vector Field 向量场分析	1.1.1 单细胞分析	2.1.5 轨迹推断 / 2.5 理论方法论

4 使用说明#

入库时：新剪藏归库时参照此索引确定最贴切的分类，并在 frontmatter 中补充对应标签。
查找时：可从组学维度（第 1 章）或教程类型维度（第 2 章）交叉定位。
扩展时：在对应分类下新增 #### 子标题，保持编号层级一致。
跨分类内容：允许同一资源出现在多个分类下（用 <a href="wikilink">wikilink</a> 引用，不复制内容）。
空分类：标注「待补充」的分类为预留位，后续新内容入库时填充。