用途：scvi-tools 是基于 PyTorch 的概率建模框架，用于单细胞基因组学，通过变分自编码器学习细胞低维潜表示，同时建模批次效应、计数噪声分布和多模态数据。适用于多批次或跨研究 scRNA-seq 整合、带不确定性量化的差异表达、基于部分标注参考的半监督细胞类型注释、CITE-seq 蛋白与 RNA 联合建模、将预训练模型迁移到新查询数据、空间转录组解卷积，以及双细胞检测等 QC 预处理。
主要能力与模型：scVI 做批次矫正与去噪；scANVI 做半监督标签迁移；totalVI 联合建模 RNA 与蛋白并估计蛋白前景概率；scARCHES 支持查询到参考的迁移学习；DestVI 对空间转录组斑点做细胞类型比例解卷积；Solo 检测双细胞。所有模型共用统一 API：setup_anndata() 注册数据、实例化模型、train()、再提取潜表示、归一化表达或差异表达结果，输出带不确定性估计。
使用方式：数据需为 AnnData（.h5ad），且为原始计数，不可用对数归一化值；若 adata.X 已归一化，应把计数保存在 adata.layers["counts"]。基本流程为 setup_anndata(adata, layer="counts", batch_key=...) 注册，构建模型并设置 n_latent 等超参数，train() 训练，再用 get_latent_representation()、get_normalized_expression() 或 differential_expression() 提取结果。安装：pip install scvi-tools scanpy；GPU 加速可 pip install "scvi-tools[cuda12]" 或 scvi-tools[cuda11]。差异表达支持 mode="change" 的复合假设，以 delta 作为效应量阈值。
适用场景与限制：CPU 可处理 5 万细胞以下数据，更大数据集建议 8GB 以上显存 GPU，10 万细胞 GPU 训练约 5 至 30 分钟。若只需快速线性批次矫正，可考虑 harmony；多模态 MuData 工作流可用 muon；无批次效应或概率 DE 的标准聚类可视化可用 scanpy。关键限制是必须使用原始计数，对数归一化输入会按错误噪声结构训练；批次变量若与研究条件混杂，会移除要研究的效应。模型架构层数、隐藏宽度等默认值跨数据集验证，通常无需改动。