models-scrna-seq

# 单细胞 RNA-seq 模型 本文档涵盖了 scvi-tools 中用于分析单细胞 RNA 测序数据的核心模型。 ## scVI (Single-Cell Variational Inference) **目的**: scRNA-seq 数据的无监督分析、降维和批次校正。 **关键特性**: - 基于变分自编码器 (VAE) 的深度生成模型 - 学习捕捉生物学变异的低维潜在表示 - 自动校正批次效应和技术协变量 - 支持归一化基因表达估计 - 支持差异表达分析 **适用场景**: - scRNA-seq 数据集的初步探索和降维 - 整合多个批次或研究 - 生成批次校正后的表达矩阵 - 执行概率差异表达分析 **基本用法**: python import scvi # 设置数据 scvi.model.SCVI.setup_anndata( adata, layer="counts", batch_key="batch" ) # 训练模型 model = scvi.model.SCVI(adata, n_latent=30) model.train() # 提取结果 latent = model.get_latent_representation() normalized = model.get_normalized_expression() **关键参数**: - `n_latent`: 潜在空间维度（默认值：10） - `n_layers`: 隐藏层数（默认值：1） - `n_hidden`: 每个隐藏层的节点数（默认值：128） - `dropout_rate`: 神经网络的丢弃率（默认值：0.1） - `dispersion`: 基因特异性或细胞特异性离散度（"gene" 或 "gene-batch"） - `gene_likelihood`: 数据分布（"zinb", "nb", "poisson"） **输出**: - `get_latent_representation()`: 批次校正后的低维嵌入 - `get_normalized_expression()`: 去噪后的归一化表达值 - `differential_expression()`: 组间概率差异表达测试 - `get_feature_correlation_matrix()`: 基因-基因相关性估计 ## scANVI (Single-Cell ANnotation using Variational Inference) **目的**: 使用标记和未标记细胞进行半监督细胞类型注释和整合。 **关键特性**: - 在 scVI 基础上增加了细胞类型标签 - 利用部分标记的数据集进行注释迁移 - 同时执行批次校正和细胞类型预测 - 支持查询集到参考集的映射 **适用场景**: - 使用参考标签注释新数据集 - 从注释良好的数据集到未标记数据集的迁移学习 - 标记和未标记细胞的联合分析 - 构建具有不确定性量化的细胞类型分类器