SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场scvi-tools

scvi-tools

数据与分析

查看项目

更新于 10-15 10:24

技能介绍

用途

scvi-tools 是一个用于单细胞基因组学概率模型的综合 Python 框架，基于 PyTorch 和 PyTorch Lightning 构建，通过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。

适用场景

当进行以下工作时可使用本技能：

  • 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、multiome、配对/非配对数据集）
  • 分析空间转录组数据（去卷积、空间映射）
  • 对单细胞数据进行差异表达分析
  • 执行细胞类型注释或迁移学习任务
  • 处理专门单细胞模态（甲基化、流式细胞术、RNA 速率）
  • 为单细胞分析构建自定义概率模型

主要能力

scvi-tools 按数据模态组织模型：

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，详见 references/models-scrna-seq.md：

  • scVI：无监督降维与批次校正
  • scANVI：半监督细胞类型注释与整合
  • AUTOZI：零膨胀检测与建模
  • VeloVI：RNA 速率分析
  • contrastiveVI：扰动效应分离

2. 染色质可及性（ATAC-seq）

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

  • PeakVI：基于峰值的 ATAC-seq 分析与整合
  • PoissonVI：定量片段计数建模
  • scBasset：结合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，详见 references/models-multimodal.md：

  • totalVI：CITE-seq 蛋白与 RNA 联合建模
  • MultiVI：配对与非配对多组学整合
  • MrVI：多分辨率跨样本分析

4. 空间转录组

空间分辨转录组分析，详见 references/models-spatial.md：

  • DestVI：多分辨率空间去卷积
  • Stereoscope：细胞类型去卷积
  • Tangram：空间映射与整合
  • scVIVA：细胞-环境关系分析

5. 专门模态

其他专门分析工具，详见 references/models-specialized.md：

  • MethylVI/MethylANVI：单细胞甲基化分析
  • CytoVI：流式/质谱细胞术批次校正
  • Solo：双细胞检测
  • CellAssign：基于标记的细胞类型注释

使用方式

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，而非对数归一化
    batch_key="batch",
    categorical_covariate_keys=["donor"],
    continuous_covariate_keys=["percent_mito"]
)

# 3. 创建并训练模型
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. 存入 AnnData 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：所有模型接口一致（setup → train → extract）
  • 以 AnnData 为中心：与 scanpy 生态无缝集成
  • 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 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      # 最小效应量阈值
)

详见 references/differential-expression.md 了解详细方法与解读。

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)

批次校正与整合

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后的表示
model = scvi.model.SCVI(adata)
model.train()
latent = model.get_latent_representation()  # 批次校正后

理论基础

scvi-tools 构建于：

  • 变分推断：为可扩展贝叶斯推断提供近似后验分布
  • 深度生成模型：学习复杂数据分布的 VAE 架构
  • 摊销推断：共享神经网络实现跨细胞的高效学习
  • 概率建模：有原则的不确定性量化和统计检验

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

附加资源

  • 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

uv pip install scvi-tools
# GPU 支持
uv 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：分析前移除低计数基因（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：使用高变基因以提升性能
  • 模型保存：始终保存训练好的模型以避免重新训练
  • GPU 使用：对大数据集启用 GPU 加速（accelerator="gpu"）
  • Scanpy 集成：将输出存入 AnnData 对象供下游分析

限制

资料未提供关于收费、价格、平台支持范围或具体性能效果的信息，暂未提供。