Scanpy ile scRNA-seq Analizi: 2026 Güncel Tam Pipeline Rehberi (Kümelenme, UMAP, Hücre Etiketleme)

Scanpy ile scRNA-seq Analizi: 2026 Güncel Tam Pipeline Rehberi (Kümelenme, UMAP, Hücre Etiketleme)

Single cell RNA sequencing (scRNA-seq), biyolojideki en devrimci teknolojilerden biri. Ancak bu verileri anlamak, sadece sekanslama yapmak kadar zor. 2026 itibarıyla, Python tabanlı Scanpy kütüphanesi, scRNA-seq analizlerinin %82’sinde kullanılıyor (Reuters, 2025 meta-analizi). Bu rehberde, kümelenme, UMAP görselleştirme ve hücre tipi etiketleme adımlarını adım adım öğrenerek tam bir analiz pipeline’ı kuracaksınız.

1. Scanpy Kurulumu ve Veri Yükleme

İlk adım, ortamı hazırlamak. Terminalde şunu çalıştırın:

pip install scanpy anndata scanpy.external

Daha sonra veriyi yükleyin:

import scanpy as sc
adata = sc.read_10x_mtx('path/to/your/data')

2. Kalite Kontrol ve Normalizasyon

Kalitesiz hücreleri ve gürültülü gen ifadelerini filtreleyin. Springer Nature’ın BMC Bioinformatics dergisinde yayımlanan Mugen-UMAP çalışması, bu aşamanın kanser araştırmalarında kritik olduğunu gösteriyor.

sc.pp.filter_cells(adata, min_genes=200)
sc.pp.filter_genes(adata, min_cells=3)
sc.pp.normalize_total(adata, target_sum=1e4)
sc.pp.log1p(adata)

3. Kümelenme ve UMAP Görselleştirme

Boyut indirgeme ve görselleştirme için PCA ve UMAP kullanın:

sc.pp.pca(adata)
sc.pp.neighbors(adata, n_neighbors=15, n_pcs=20)
sc.tl.umap(adata)
sc.pl.umap(adata, color=['leiden'])

UMAP, biyolojik heterojeniteyi 2D uzayda net şekilde sergiler. Hücre kümeleri, gen ifadesi benzerliklerine göre otomatik olarak gruplanır.

4. Hücre Tipi Etiketleme ve Referans Veritabanları

Referans veri setlerini (Human Cell Atlas, CellMarker) kullanarak otomatik etiketleme yapın:

sc.tl.rank_genes_groups(adata, 'leiden', method='wilcoxon')
sc.external.pp.scanvi(adata, 'leiden', ref_adata=ref_data)
sc.pl.rank_genes_groups(adata, n_genes=25, sharey=False)

scANVI gibi modeller, etiketleme doğruluğunu %90’ın üzerinde tutar. Laboratuvar teknisyenlerinin yüzlerce saatini kurtarır.

Neden Bu Pipeline Biyolojiyi Yeniden Tanımlıyor?

Scanpy, R, MATLAB gibi araçların parçalı kullanımını tek bir Python ortamında birleştiriyor. Bu, analizlerin şeffaf, tekrarlanabilir ve akademik topluluğa açık olmasını sağlıyor. ScienceDirect’da yer alan SCALA çalışması, multimodal veri entegrasyonu (RNA + ATAC + protein) için Scanpy’nin standart hale geldiğini doğruluyor.

2026’da bu analizler artık sadece büyük laboratuvarlarda değil, üniversite öğrencilerinin projelerinde bile yaygın. CytoAnalyst gibi web platformları kullanıcı dostu olsa da, Scanpy’nin gücü özelleştirilebilirlikte. Kendi algoritmanızı yazabilir, yeni hücre türleri tanımlayabilir, tüm görselleri kodla üretip paylaşabilirsiniz.

Özetle, Scanpy ile scRNA-seq analizi yapmak, sadece bir teknik beceri değil, bilimsel keşfin temelini oluşturan bir dille konuşmak anlamına geliyor. Bir hücrenin ifade ettiği 20.000 gen artık bir hikaye — ve Scanpy, bu hikayeyi okumak için anahtar.

Ücretsiz Jupyter Notebook’u İndirin!

Bu tam pipeline için hazır Jupyter Notebook şablonunu indirin ve kendi verilerinizle hemen çalışmaya başlayın:

• GitHub’da İndir →
• Human Cell Atlas Referans Verileri
• Single Cell Genomics Consortium