用途
scvi-tools 是一个用于单细胞基因组学概率建模的 Python 框架，构建在 PyTorch 和 PyTorch Lightning 之上。它使用变分推断的深度生成模型，分析多种单细胞数据模态，适合需要进行概率化批次校正、迁移学习、差异表达等任务的场景。
适用任务包括：单细胞 RNA-seq 数据分析（降维、批次校正、整合）；单细胞 ATAC-seq 或染色质可及性数据；多模态数据整合（CITE-seq、multiome、配对/非配对数据集）；空间转录组数据分析（去卷积、空间映射）；单细胞差异表达分析；细胞类型注释或迁移学习；甲基化、细胞术、RNA 速率等专门模态；以及为单细胞分析构建自定义概率模型。
主要能力
模型按数据模态组织：
单细胞 RNA-seq 分析：scVI（无监督降维与批次校正）、scANVI（半监督细胞类型注释与整合）、AUTOZI（零膨胀检测与建模）、VeloVI（RNA 速率分析）、contrastiveVI（扰动效应分离）。
染色质可及性（ATAC-seq）：PeakVI（基于 peak 的 ATAC-seq 分析与整合）、PoissonVI（定量片段计数建模）、scBasset（结合 motif 分析的深度学习方法）。
多模态与多组学整合：totalVI（CITE-seq 蛋白与 RNA 联合建模）、MultiVI（配对与非配对多组学整合）、MrVI（多分辨率跨样本分析）。
空间转录组：DestVI（多分辨率空间去卷积）、Stereoscope（细胞类型去卷积）、Tangram（空间映射与整合）、scVIVA（细胞—环境关系分析）。
专门模态：MethylVI/MethylANVI（单细胞甲基化分析）、CytoVI（流式/质谱细胞术批次校正）、Solo（双细胞检测）、CellAssign（基于标记的细胞类型注释）。
使用方式
所有模型遵循一致的 API 模式（setup → train → extract）：
# 1. 加载与预处理数据（AnnData 格式）
import scvi
import scanpy as sc
adata = scvi.data.heart_cell_atlas_subsampled()
sc.pp.filter_genes(adata, min_counts=3)
sc.pp.highly_variable_genes(adata, n_top_genes=1200)
# 2. 向模型注册数据（指定层、协变量）
scvi.model.SCVI.setup_anndata(
adata,
layer="counts", # 使用原始计数，而非对数归一化
batch_key="batch",
categorical_covariate_keys=["donor"],
continuous_covariate_keys=["percent_mito"]
)
# 3. 创建并训练模型
model = scvi.model.SCVI(adata)
model.train()
# 4. 提取隐表示与归一化值
latent = model.get_latent_representation()
normalized = model.get_normalized_expression(library_size=1e4)
# 5. 存回 AnnData 供下游分析
adata.obsm["X_scVI"] = latent
adata.layers["scvi_normalized"] = normalized
# 6. 使用 scanpy 进行下游分析
sc.pp.neighbors(adata, use_rep="X_scVI")
sc.tl.umap(adata)
sc.tl.leiden(adata)
差异表达示例：
de_results = model.differential_expression(
groupby="cell_type",
group1="TypeA",
group2="TypeB",
mode="change", # 使用复合假设检验
delta=0.25 # 最小效应量阈值
)
模型保存与加载：
# 保存模型
model.save("./model_directory", overwrite=True)
# 加载模型
model = scvi.model.SCVI.load("./model_directory", adata=adata)
批次校正与整合：
scvi.model.SCVI.setup_anndata(adata, batch_key="study")
model = scvi.model.SCVI(adata)
model.train()
latent = model.get_latent_representation() # 已批次校正
关键设计原则：模型要求原始计数以获最佳性能；所有模型接口统一（setup → train → extract）；以 AnnData 为中心，与 scanpy 生态无缝集成；自动利用可用 GPU；通过协变量注册处理技术变异带来的批次校正。
理论背景
scvi-tools 建立在变分推断（近似后验分布实现可扩展贝叶斯推断）、深度生成模型（学习复杂数据分布的 VAE 架构）、摊销推断（跨细胞高效学习的共享神经网络）、概率建模（有原则的不确定性量化与统计检验）之上。
适用场景与最佳实践
适合单细胞多模态数据的建模、整合、批次校正、注释、差异表达与空间分析。最佳实践包括：始终向模型提供未归一化的计数数据；分析前过滤低计数基因（如 min_counts=3）；在 setup_anndata 中注册已知技术因素（批次、供体等）；使用高变基因提升性能；保存训练好的模型避免重复训练；大数据集启用 GPU 加速（accelerator="gpu"）；将输出存入 AnnData 对象以供下游分析。
安装与资源
uv pip install scvi-tools
# GPU 支持
uv pip install scvi-tools[cuda]
官方文档：https://docs.scvi-tools.org/en/stable/ ；教程：https://docs.scvi-tools.org/en/stable/tutorials/index.html ；API 参考：https://docs.scvi-tools.org/en/stable/api/index.html 。
限制
资料未提供关于收费、价格、平台支持范围、性能指标或与其他工具对比的明确信息。