用途：scvi-tools（Gayoso 等，2022，BSD-3-Clause）封装单细胞组学的深度生成模型。scRNA-seq 核心是 scVI（无监督批次校正潜嵌入）与 scANVI（scVI 加分类头，做半监督细胞类型标签迁移）。两者都要求原始整数 UMI 计数，输出低维 X_scVI / X_scANVI，可直接接入 scanpy 的 neighbors → leiden → umap 流程。
主要能力：批次校正潜空间、标签迁移预测、差异表达分析、解码后的文库大小归一化表达。
使用方式：依赖 pip install scvi-tools scanpy anndata，训练需 CUDA GPU。先保存原始计数到 adata.layers["counts"]，再做 normalize/log1p；用 scvi.model.SCVI.setup_anndata(adata, layer="counts", batch_key="batch") 配置，训练后取 model.get_latent_representation()。scANVI 用 scvi.model.SCANVI.from_scvi_model(model, labels_key="cell_type", unlabeled_category="Unknown") 构建并 predict()。差异表达用 model.differential_expression(groupby="leiden", group1="3", mode="change", delta=0.25)，按 proba_de 排序。GPU 参数为 accelerator="gpu", devices=1。
限制与注意：scvi-tools ≥1.4 的 differential_expression 默认 mode="vanilla"，无 lfc_*/proba_de 列，需显式传 mode="change"；use_gpu 参数在 1.x 已移除；obs 为 ArrowStringArray 时 write_h5ad 会报 IORegistryError，需先做对象类型转换；传入对数归一化数据会导致静默错误。无本地 GPU 时可租用 A100 级 GPU 运行脚本。本技能为纯 Python 技能，无宿主运行时与 LLM API，kernel.py 需在会话中 exec 加载。其他细节资料未提供。