用途：当用户希望从 bulk RNA-seq 数据出发、配合匹配的参考 scRNA-seq 图谱重建单细胞表达谱时使用。流程参照 t_bulk2single.ipynb，演示如何整合 PDAC bulk 重复样本、训练 beta-VAE 生成器，并将输出细胞与齿状回 scRNA-seq 做基准比较。
主要能力：整合 TAPE 进行细胞比例估计；通过 lazy 预处理对齐 bulk 与 single 特征空间；训练或加载 beta-VAE 生成合成细胞；使用 filtered（leiden_size=25）降噪；生成 PCA 嵌入；用 bulk2single_plot_cellprop、bulk2single_plot_correlation 等评估生成细胞与参考图谱的细胞类型组成和相关性；支持 MDE 嵌入可视化。
使用方式：导入 omicverse as ov 等库并调用 ov.plot_set()；用 ov.read 读取 bulk 计数表，经 ov.bulk.Matrix_ID_mapping 统一基因标识；加载参考 AnnData 并确认 obs['clusters']。实例化 ov.bulk2single.Bulk2Single(...)，指定 bulk_group、celltype_key、top_marker_num、ratio_num、gpu（gpu=-1 为 CPU）。依次调用 predicted_fraction、bulk_preprocess_lazy、single_preprocess_lazy、prepare_input，再 model.train(...) 训练 beta-VAE，或用 model.load('.../dg_vae.pth') 恢复；用 plot_loss 监控，model.generate() 生成，filtered 过滤，再写入 h5ad 并做基准比较。
适用场景与限制：适用于 bulk 与参考 scRNA-seq 配对的从头重建与评估。lazy 预处理预期原始 counts，若已做 log 标准化则应手动提供对齐矩阵。CPU 训练可能耗时数小时，建议使用 CUDA。marker 选择失败可提高 top_marker_num 或提供自定义 marker 列表；比对错误常源于 bulk_group 名称与矩阵列名不匹配。运行前应检查基因重叠超过 100、bulk_group 列存在及 celltype_key 存在。具体数据集、权重与检查点链接见教程页；价格、收费、平台与效果等资料暂未提供。