name: scvi-tools description: 此技能应在使用 scvi-tools 进行单细胞组学数据分析时使用，包括 scRNA-seq、scATAC-seq、CITE-seq、空间转录组学和其他单细胞模态。用于概率建模、批次校正、降维、差异表达、细胞类型注释、多模态整合和空间分析任务。

scvi-tools

概述

scvi-tools 是一个全面的 Python 框架，用于单细胞基因组学中的概率模型。基于 PyTorch 和 PyTorch Lightning，它使用变分推断提供深度生成模型，用于分析多种单细胞数据模态。

何时使用此技能

使用此技能当：

分析单细胞 RNA-seq 数据（降维、批次校正、整合）
处理单细胞 ATAC-seq 或染色质可及性数据
整合多模态数据（CITE-seq、多组学、配对/非配对数据集）
分析空间转录组学数据（解卷积、空间映射）
对单细胞数据进行差异表达分析
进行细胞类型注释或迁移学习任务
处理专业单细胞模态（甲基化、细胞计数、RNA 速度）
为单细胞分析构建自定义概率模型

核心能力

scvi-tools 提供按数据模态组织的模型：

1. 单细胞 RNA-seq 分析

用于表达分析、批次校正和整合的核心模型。参见 references/models-scrna-seq.md：

scVI：无监督降维和批次校正
scANVI：半监督细胞类型注释和整合
AUTOZI：零膨胀检测和建模
VeloVI：RNA 速度分析
contrastiveVI：扰动效应隔离

2. 染色质可及性 (ATAC-seq)

用于分析单细胞染色质数据的模型。参见 references/models-atac-seq.md：

PeakVI：基于峰的 ATAC-seq 分析和整合
PoissonVI：定量片段计数建模
scBasset：带有基序分析的深度学习方法

3. 多模态与多组学整合

多种数据类型的联合分析。参见 references/models-multimodal.md：

totalVI：CITE-seq 蛋白质和 RNA 联合建模
MultiVI：配对和非配对多组学整合
MrVI：多分辨率跨样本分析

4. 空间转录组学

空间解析转录组学分析。参见 references/models-spatial.md：

DestVI：多分辨率空间解卷积
Stereoscope：细胞类型解卷积
Tangram：空间映射和整合
scVIVA：细胞环境关系分析

5. 专业模态

额外的专业分析工具。参见 references/models-specialized.md：

MethylVI/MethylANVI：单细胞甲基化分析
CytoVI：流式/质谱细胞计数批次校正
Solo：双倍体检测
CellAssign：基于标记的细胞类型注释

典型工作流

所有 scvi-tools 模型遵循一致的 API 模式：

# 1. 加载和预处理数据（AnnData 格式）
import scvi
import scanpy as sc

adata = scvi.data.heart_cell_atlas_subsampled()
sc.pp.filter_genes(adata, min_counts=3)
sc.pp.highly_variable_genes(adata, n_top_genes=1200)

# 2. 向模型注册数据（指定层、协变量）
scvi.model.SCVI.setup_anndata(
    adata,
    layer="counts",  # 使用原始计数，非对数归一化
    batch_key="batch",
    categorical_covariate_keys=["donor"],
    continuous_covariate_keys=["percent_mito"]
)

# 3. 创建和训练模型
model = scvi.model.SCVI(adata)
model.train()

# 4. 提取潜在表示和归一化值
latent = model.get_latent_representation()
normalized = model.get_normalized_expression(library_size=1e4)

# 5. 存储在 AnnData 中以供下游分析
adata.obsm["X_scVI"] = latent
adata.layers["scvi_normalized"] = normalized

# 6. 使用 scanpy 进行下游分析
sc.pp.neighbors(adata, use_rep="X_scVI")
sc.tl.umap(adata)
sc.tl.leiden(adata)

关键设计原则：

需要原始计数：模型期望未归一化的计数数据以获得最佳性能
统一 API：所有模型的一致接口（设置 → 训练 → 提取）
AnnData 中心化：与 scanpy 生态系统的无缝集成
GPU 加速：自动利用可用 GPU
批次校正：通过协变量注册处理技术变异

常见分析任务

差异表达

使用学习到的生成模型进行概率性 DE 分析：

de_results = model.differential_expression(
    groupby="cell_type",
    group1="TypeA",
    group2="TypeB",
    mode="change",  # 使用复合假设检验
    delta=0.25      # 最小效应大小阈值
)

参见 references/differential-expression.md 了解详细方法和解释。

模型持久化

保存和加载训练好的模型：

# 保存模型
model.save("./model_directory", overwrite=True)

# 加载模型
model = scvi.model.SCVI.load("./model_directory", adata=adata)

批次校正和整合

跨批次或研究整合数据集：

# 注册批次信息
scvi.model.SCVI.setup_anndata(adata, batch_key="study")

# 模型自动学习批次校正表示
model = scvi.model.SCVI(adata)
model.train()
latent = model.get_latent_representation()  # 批次校正

理论基础

scvi-tools 基于：

变分推断：近似后验分布以实现可扩展的贝叶斯推断
深度生成模型：学习复杂数据分布的 VAE 架构
摊销推断：共享神经网络以跨细胞高效学习
概率建模：原理性不确定性量化和统计检验

参见 references/theoretical-foundations.md 了解数学框架的详细背景。

额外资源

工作流：references/workflows.md 包含常见工作流、最佳实践、超参数调优和 GPU 优化
模型参考：references/ 目录中每个模型类别的详细文档
官方文档：https://docs.scvi-tools.org/en/stable/
教程：https://docs.scvi-tools.org/en/stable/tutorials/index.html
API 参考：https://docs.scvi-tools.org/en/stable/api/index.html

安装

pip install scvi-tools
# 用于 GPU 支持
pip install scvi-tools[cuda]

最佳实践

使用原始计数：始终向模型提供未归一化的计数数据
过滤基因：在分析前去除低计数基因（例如，min_counts=3）
注册协变量：在 setup_anndata 中包含已知技术因素（批次、供体等）
特征选择：使用高变异基因以提高性能
模型保存：始终保存训练好的模型以避免重新训练
GPU 使用：为大数据集启用 GPU 加速（accelerator="gpu"）
Scanpy 集成：将输出存储在 AnnData 对象中以供下游分析