scvi-tools

scvi-tools - 单细胞组学深度生成模型框架

技能概述

scvi-tools 是基于 PyTorch 和 PyTorch Lightning 构建的 Python 框架，专为单细胞基因组学设计，提供深度生成模型和变分推断方法，用于处理多种单细胞数据模态的分析任务。

适用场景

1. 单细胞测序数据的批量校正与整合

当您需要整合来自不同批次、不同实验室或不同平台产生的单细胞数据时，scvi-tools 提供的概率批量校正方法可以有效去除技术噪音，保留生物学变异。适用于处理多个实验来源的数据集合并分析。

2. 多模态单细胞数据联合分析

当您拥有 CITE-seq、multiome 等多模态数据时，scvi-tools 的 totalVI 和 MultiVI 模型可以对蛋白质和 RNA、或配对/非配对的多组学数据进行联合建模，实现更全面的生物学发现。

3. 带不确定性的高级统计推断

当您需要进行差异表达分析、细胞类型注释或 RNA 速度分析，并希望获得概率化的不确定度量时，scvi-tools 基于贝叶斯推断的方法可以提供比传统方法更严谨的统计结论。

核心功能

1. 统一 API 的深度生成模型

scvi-tools 提供超过 20 种预训练模型，涵盖单细胞 RNA-seq（scVI、scANVI）、ATAC-seq（PeakVI、PoissonVI）、多模态整合（totalVI、MultiVI）和空间转录组学（DestVI、Stereoscope）等场景。所有模型遵循一致的 API 模式：数据注册 → 模型训练 → 结果提取，并可与 scanpy 无缝集成。

2. 概率批量校正与数据整合

通过变分自编码器（VAE）架构，scvi-tools 能够学习数据的潜在表示，自动分离技术变异（如批次效应、供体差异）和生物学变异。支持在 setup_anndata 阶段注册分类和连续协变量，灵活建模已知的技术因子。

3. 带不确定性的差异表达分析

不同于传统频率学派的 DE 方法，scvi-tools 提供基于复合假设检验的概率化差异表达分析，可以同时估计效应大小和统计不确定性，支持设定最小效应阈值，获得更可靠的生物学结论。

常见问题

scvi-tools 和 scanpy 有什么区别？应该选择哪个？

scanpy 是单细胞分析的标准流程工具，适用于常规的数据预处理、可视化和基础分析。scvi-tools 专注于高级统计建模和深度学习方法，适合需要批量校正、多模态整合或带不确定性量化分析的场景。许多用户会结合使用：用 scanpy 做预处理，用 scvi-tools 做高级建模，再用 scanpy 做下游可视化。

如何用 scVI 进行单细胞数据的批量校正？

首先确保使用原始计数数据（未经 log-normalization），然后调用 scvi.model.SCVI.setup_anndata() 注册批次信息，创建模型并训练，最后用 get_latent_representation() 获取批量校正后的潜在表示。整个过程只需几行代码，模型会自动学习去除批次效应。

scvi-tools 支持 GPU 吗？

是的，scvi-tools 基于 PyTorch Lightning，可以自动检测并利用可用的 GPU 加速训练。对于大型数据集（数万到数十万个细胞），启用 GPU 可以显著缩短训练时间。安装时可使用 pip install scvi-tools[cuda] 获取 GPU 支持。