用途：检验单细胞数据中细胞类型比例或组分是否在条件间发生变化，即某类细胞群体是否扩增或收缩。
主要能力与用法：比例数据位于单纯形上（比例和为1），不可对比例逐簇做 t 检验或 Wilcoxon，需建模联合组分。资料提供四类方法：Milo（miloR，R）在整合降维的 kNN 图上构建邻域，用 testNhoods() 拟合 GLM 并用 SpatialFDR 校正，属无聚类方法；scCODA（Python）以贝叶斯 Dirichlet-多项式模型、指定参考细胞类型，输出可信效应；sccomp（R）为贝叶斯 beta-二项混合模型，抗离群并可同时建模均值与变异；propeller（speckle，R）采用 arcsin-sqrt 变换加 limma 的快速频率派检验。文献还给出协变量调整示例，如 Milo 的 design = ~ batch + condition、scCODA 的 formula='batch + condition'、sccomp 的 formula_composition = ~ batch + condition。
适用场景：跨条件比较细胞组成、存在连续/过渡状态、需要亚簇分辨率、存在离群样本或需控制 FDR 时。
限制：重复单位是生物样本而非细胞，每组建议至少 2 个、理想 3-4 个生物学重复；重复过少时效应不可识别，贝叶斯方法仍会给出可信但不可信的结果。混淆设计（如批次与条件完全共线）统计上无法修正。差异丰度与差异表达是不同问题且相互混淆，应联合分析。参考细胞类型选择会影响 scCODA 结论，可选稳定丰度类型或 automatic。各方法版本兼容性需按资料核对，未提供的版本、收费与平台信息暂未提供。