models-specialized

# 特殊模态模型 本文档涵盖了 scvi-tools 中用于特殊单细胞数据模态的模型。 ## MethylVI / MethylANVI (甲基化分析) **目的**: 用于 DNA 甲基化的单细胞亚硫酸氢盐测序 (scBS-seq) 数据分析。 **关键特性**: - 在单细胞分辨率下建模甲基化模式 - 处理甲基化数据中的稀疏性 - 甲基化实验的批次校正 - 用于细胞类型注释的标签迁移 (MethylANVI) **适用场景**: - 分析 scBS-seq 或类似的甲基化数据 - 研究跨细胞类型的 DNA 甲基化模式 - 跨批次整合甲基化数据 - 基于甲基化谱的细胞类型注释 **数据要求**: - 甲基化计数矩阵（每个 CpG 位点的甲基化读取数 vs 总读取数） - 格式：细胞 × CpG 位点，包含甲基化比率或计数 ### MethylVI (无监督) **基本用法**: python import scvi # 设置甲基化数据 scvi.model.METHYLVI.setup_anndata( adata, layer="methylation_counts", # 甲基化数据 batch_key="batch" ) model = scvi.model.METHYLVI(adata) model.train() # 获取潜在表示 latent = model.get_latent_representation() # 获取归一化甲基化值 normalized_meth = model.get_normalized_methylation() ### MethylANVI (带细胞类型的半监督) **基本用法**: python # 使用细胞类型标签进行设置 scvi.model.METHYLANVI.setup_anndata( adata, layer="methylation_counts", batch_key="batch", labels_key="cell_type", unlabeled_category="Unknown" ) model = scvi.model.METHYLANVI(adata) model.train() # 预测细胞类型 predictions = model.predict() **关键参数**: - `n_latent`: 潜在维度 - `region_factors`: 建模区域特异性效应 **使用案例**: - 表观遗传异质性分析 - 通过甲基化进行细胞类型识别 - 与基因表达数据的整合（独立分析） - 差异甲基化分析 ## CytoVI (流式和质谱流式细胞术) **目的**: 流式细胞术和质谱流式细胞术 (CyTOF) 数据的批次校正和整合。 **关键特性**: - 处理基于抗体的蛋白质测量 - 校正细胞术数据中的批次效应 - 支持跨实验整合 - 专为高维蛋白质面板设计 **适用场景**: - 分析流式细胞术或 CyTOF 数据 - 跨批次整合细胞术实验 - 蛋白质面板的批次校正 - 跨研究细胞术整合 **数据要求