用途：scvi-tools 是面向单细胞组学的概率模型框架，基于 PyTorch 与 PyTorch Lightning，用变分推断的深度生成模型分析多种单细胞数据模态。适用于 scRNA-seq 降维、批次校正与整合，ATAC-seq/染色质可及性分析，多模态数据（CITE-seq、multiome、配对/非配对）整合，空间转录组反卷积与空间映射，差异表达分析，细胞类型注释与迁移学习，以及甲基化、流式/质谱细胞术、RNA 速率等专门模态和自定义概率模型。
主要能力：按模态组织模型。RNA-seq 有 scVI（无监督降维与批次校正）、scANVI（半监督注释与整合）、AUTOZI（零膨胀检测）、VeloVI（RNA 速率）、contrastiveVI（扰动效应分离）；ATAC-seq 有 PeakVI、PoissonVI、scBasset；多模态有 totalVI、MultiVI、MrVI；空间有 DestVI、Stereoscope、Tangram、scVIVA；专门模态有 MethylVI/MethylANVI、CytoVI、Solo（双细胞检测）、CellAssign（基于标记的注释）。
使用方式：模型遵循统一 API（setup → train → extract）。数据用 AnnData 格式，需提供原始未归一化计数；用 setup_anndata 注册 layer、batch_key 及分类/连续协变量；创建模型并 train；用 get_latent_representation、get_normalized_expression 提取结果并存入 AnnData 供 scanpy 下游分析。差异表达用 model.differential_expression。模型可用 model.save 保存、model.load 加载。安装：uv pip install scvi-tools；GPU 支持：uv pip install scvi-tools[cuda]。
适用场景与限制：适合需要概率批次校正、整合、迁移学习与差异表达的单细胞分析。要求原始计数，建议先过滤低计数基因并选高变基因；需在 setup_anndata 中登记已知技术因素；建议保存已训练模型避免重训；大数据集可启用 GPU。官方文档、教程与 API 参考见 https://docs.scvi-tools.org/en/stable/。具体收费、价格与平台支持资料暂未提供。