用途：popV（Population Voting）通过多种独立分类算法对无标签查询单细胞数据做参考标签迁移，并以多数投票聚合结果，输出共识标签 popv_prediction 和一致性分数 popv_agreement（一致方法占比）。适合需要共识而非单一模型判断、识别新状态或模糊细胞、评估注释可靠性、处理参考与查询间批次效应较大的大规模图谱，以及需要高置信标签的下游分析。
主要能力：集成 KNN-Harmony、KNN-BBKNN、KNN-Scanorama、KNN-scVI、SCANVI、CellTypist、随机森林、XGBoost、SVM、ONCLASS 等方法；提供预处理、注释、可视化模块；ONCLASS 可借助 Cell Ontology 预测参考中未出现的相邻类型；低一致性可提示新状态或注释缺口。
使用方式：需两个 AnnData 对象——带标签参考 adata_ref（obs 含细胞类型标签）与无标签查询 adata_query，同物种且基因集有重叠，adata.X 为原始计数。安装：pip install popv scvi-tools harmonypy bbknn celltypist。基本流程：用 popv.preprocessing.Process_Query 合并、标准化、选 HVG 并构建联合嵌入，再调用 popv.annotation.annotate_data 运行方法集，最后查看 popv_prediction 与 popv_agreement，可用 popv.visualization.predict_celltypes_umap 或 scanpy 绘图。
适用场景与限制：参考质量直接决定效果，建议每类 50–100 个细胞、类别较均衡；标签粒度越细所需参考越大。一致性分数只衡量方法间是否一致，不代表正确，需用标志基因验证。方法子集、HVG 数量、训练轮数等可按需调整；scVI/SCANVI 建议 GPU，大参考建议 32 GB 内存。具体参数默认值与运行细节以实际数据为准，资料未提供收费、平台与效果保证等信息。