[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-scverse--scvi-tools":3,"similar-scverse--scvi-tools":177},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":14,"owner_avatar_url":15,"owner_bio":16,"owner_company":17,"owner_location":17,"owner_email":17,"owner_twitter":18,"owner_website":19,"owner_url":20,"languages":21,"stars":30,"forks":31,"last_commit_at":32,"license":33,"difficulty_score":34,"env_os":35,"env_gpu":36,"env_ram":35,"env_deps":37,"category_tags":45,"github_topics":48,"view_count":34,"oss_zip_url":17,"oss_zip_packed_at":17,"status":58,"created_at":59,"updated_at":60,"faqs":61,"releases":91},6094,"scverse\u002Fscvi-tools","scvi-tools","Deep probabilistic analysis of single-cell and spatial omics data","scvi-tools 是一款专为单细胞及空间组学数据设计的深度概率分析工具包。面对单细胞数据普遍存在的高维度、高噪声以及不同实验批次间的差异难题，它提供了一套强大的解决方案，能够高效完成数据降维、多批次整合、自动细胞类型注释、双细胞检测以及空间转录组去卷积等关键任务。\n\n该工具主要服务于生物信息学研究人员、计算生物学家及相关领域的开发者。其核心亮点在于基于 PyTorch 和 AnnData 构建，不仅提供了与 Scanpy 无缝衔接的高级 API，让用户能轻松调用预训练模型进行快速分析，还底层集成了 PyTorch Lightning 和 Pyro 等框架，为开发者提供了灵活的模块以构建和部署全新的概率模型。此外，scvi-tools 原生支持 GPU 加速，显著提升了大规模数据集的处理效率。作为 scverse 生态系统的重要组成部分，它兼顾了易用性与扩展性，是探索单细胞数据深层生物学意义的得力助手。","\u003Ca href=\"https:\u002F\u002Fscvi-tools.org\u002F\">\n  \u003Cimg\n    src=\"https:\u002F\u002Fgithub.com\u002Fscverse\u002Fscvi-tools\u002Fblob\u002Fmain\u002Fdocs\u002F_static\u002Fscvi-tools-horizontal.svg?raw=true\"\n    width=\"400\"\n    alt=\"scvi-tools\"\n  >\n\u003C\u002Fa>\n\n[![Stars][gh-stars-badge]][gh-stars-link]\n[![PyPI][pypi-badge]][pypi-link]\n[![PyPIDownloads][pepy-badge]][pepy-link]\n[![CondaDownloads][conda-badge]][conda-link]\n[![Docs][docs-badge]][docs-link]\n[![Build][build-badge]][build-link]\n[![Coverage][coverage-badge]][coverage-link]\n\n[scvi-tools] (single-cell variational inference tools) is a package for probabilistic modeling and\nanalysis of single-cell omics data, built on top of [PyTorch] and [AnnData].\n\n# Analysis of single-cell omics data\n\nscvi-tools is composed of models that perform many analysis tasks across single-cell, multi, and\nspatial omics data:\n\n- Dimensionality reduction\n- Data integration\n- Automated annotation\n- Factor analysis\n- Doublet detection\n- Spatial deconvolution\n- and more!\n\nIn the [user guide], we provide an overview of each model. All model implementations have a\nhigh-level API that interacts with [Scanpy] and includes standard save\u002Fload functions, GPU\nacceleration, etc.\n\n# Rapid development of novel probabilistic models\n\nscvi-tools contains the building blocks to develop and deploy novel probabilistic models. These\nbuilding blocks are powered by popular probabilistic and machine learning frameworks such as\n[PyTorch Lightning] and [Pyro]. For an overview of how the scvi-tools package is structured, you\nmay refer to the [codebase overview] page.\n\nWe recommend checking out the [skeleton repository] as a starting point for developing and\ndeploying new models with scvi-tools.\n\n# Basic installation\n\nFor conda,\n\n```bash\nconda install scvi-tools -c conda-forge\n```\n\nand for pip,\n\n```bash\npip install scvi-tools\n```\n\nPlease be sure to install a version of [PyTorch] that is compatible with your GPU (if applicable).\n\n# Resources\n\n- Tutorials, API reference, and installation guides are available in the [documentation].\n- For discussion of usage, check out our [forum].\n- Please use the [issues] to submit bug reports.\n- If you'd like to contribute, check out our [contributing guide].\n- If you find a model useful for your research, please consider citing the corresponding\n    publication.\n\n# Reference\n\nIf you use `scvi-tools` in your work, please cite\n\n> **A Python library for probabilistic analysis of single-cell omics data**\n>\n> Adam Gayoso, Romain Lopez, Galen Xing, Pierre Boyeau, Valeh Valiollah Pour Amiri, Justin Hong,\n> Katherine Wu, Michael Jayasuriya, Edouard Mehlman, Maxime Langevin, Yining Liu, Jules Samaran,\n> Gabriel Misrachi, Achille Nazaret, Oscar Clivio, Chenling Xu, Tal Ashuach, Mariano Gabitto,\n> Mohammad Lotfollahi, Valentine Svensson, Eduardo da Veiga Beltrame, Vitalii Kleshchevnikov,\n> Carlos Talavera-López, Lior Pachter, Fabian J. Theis, Aaron Streets, Michael I. Jordan,\n> Jeffrey Regier & Nir Yosef\n>\n> _Nature Biotechnology_ 2022 Feb 07. doi: [10.1038\u002Fs41587-021-01206-w](https:\u002F\u002Fdoi.org\u002F10.1038\u002Fs41587-021-01206-w).\n\nalong with the publication describing the model used.\n\nYou can cite the scverse publication as follows:\n\n> **The scverse project provides a computational ecosystem for single-cell omics data analysis**\n>\n> Isaac Virshup, Danila Bredikhin, Lukas Heumos, Giovanni Palla, Gregor Sturm, Adam Gayoso,\n> Ilia Kats, Mikaela Koutrouli, Scverse Community, Bonnie Berger, Dana Pe’er, Aviv Regev,\n> Sarah A. Teichmann, Francesca Finotello, F. Alexander Wolf, Nir Yosef, Oliver Stegle &\n> Fabian J. Theis\n>\n> _Nature Biotechnology_ 2023 Apr 10. doi: [10.1038\u002Fs41587-023-01733-8](https:\u002F\u002Fdoi.org\u002F10.1038\u002Fs41587-023-01733-8).\n\nscvi-tools is part of the scverse® project ([website](https:\u002F\u002Fscverse.org),\n[governance](https:\u002F\u002Fscverse.org\u002Fabout\u002Froles)) and is fiscally sponsored by [NumFOCUS](https:\u002F\u002Fnumfocus.org\u002F).\n\nIf you like scverse® and want to support our mission, please consider making a tax-deductible\n[donation](https:\u002F\u002Fnumfocus.org\u002Fdonate-to-scverse) to help the project pay for developer time,\nprofessional services, travel, workshops, and a variety of other needs.\n\n\u003Cdiv align=\"center\">\n\u003Ca href=\"https:\u002F\u002Fnumfocus.org\u002Fproject\u002Fscverse\">\n  \u003Cimg\n    src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fscverse_scvi-tools_readme_4ec43cc1a7a4.png\"\n    width=\"200\"\n  >\n\u003C\u002Fa>\n\u003C\u002Fdiv>\n\nCopyright (c) 2026, Yosef Lab, Weizmann Institute of Science\n\n[anndata]: https:\u002F\u002Fanndata.readthedocs.io\u002Fen\u002Flatest\u002F\n[build-badge]: https:\u002F\u002Fgithub.com\u002Fscverse\u002Fscvi-tools\u002Factions\u002Fworkflows\u002Fbuild.yml\u002Fbadge.svg\n[build-link]: https:\u002F\u002Fgithub.com\u002Fscverse\u002Fscvi-tools\u002Factions\u002Fworkflows\u002Fbuild.yml\u002F\n[codebase overview]: https:\u002F\u002Fdocs.scvi-tools.org\u002Fen\u002Fstable\u002Fuser_guide\u002Fbackground\u002Fcodebase_overview.html\n[conda-badge]: https:\u002F\u002Fimg.shields.io\u002Fconda\u002Fdn\u002Fconda-forge\u002Fscvi-tools?logo=Anaconda\n[conda-link]: https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fscvi-tools\n[contributing guide]: https:\u002F\u002Fdocs.scvi-tools.org\u002Fen\u002Fstable\u002Fdeveloper\u002Fcode.html\n[coverage-badge]: https:\u002F\u002Fcodecov.io\u002Fgh\u002Fscverse\u002Fscvi-tools\u002Fbranch\u002Fmain\u002Fgraph\u002Fbadge.svg\n[coverage-link]: https:\u002F\u002Fcodecov.io\u002Fgh\u002Fscverse\u002Fscvi-tools\n[docs-badge]: https:\u002F\u002Freadthedocs.org\u002Fprojects\u002Fscvi\u002Fbadge\u002F?version=latest\n[docs-link]: https:\u002F\u002Fscvi.readthedocs.io\u002Fen\u002Fstable\u002F?badge=stable\n[documentation]: https:\u002F\u002Fdocs.scvi-tools.org\u002F\n[forum]: https:\u002F\u002Fdiscourse.scvi-tools.org\n[gh-stars-badge]: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fscverse\u002Fscvi-tools?style=flat&logo=GitHub&color=blue\n[gh-stars-link]: https:\u002F\u002Fgithub.com\u002Fscverse\u002Fscvi-tools\u002Fstargazers\n[issues]: https:\u002F\u002Fgithub.com\u002Fscverse\u002Fscvi-tools\u002Fissues\n[pepy-badge]: https:\u002F\u002Fstatic.pepy.tech\u002Fbadge\u002Fscvi-tools\n[pepy-link]: https:\u002F\u002Fpepy.tech\u002Fproject\u002Fscvi-tools\n[pypi-badge]: https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fscvi-tools.svg\n[pypi-link]: https:\u002F\u002Fpypi.org\u002Fproject\u002Fscvi-tools\n[pyro]: https:\u002F\u002Fpyro.ai\u002F\n[pytorch]: https:\u002F\u002Fpytorch.org\n[pytorch lightning]: https:\u002F\u002Flightning.ai\u002Fdocs\u002Fpytorch\u002Fstable\u002F\n[scanpy]: http:\u002F\u002Fscanpy.readthedocs.io\u002F\n[scvi-tools]: https:\u002F\u002Fscvi-tools.org\u002F\n[skeleton repository]: https:\u002F\u002Fgithub.com\u002Fscverse\u002Fsimple-scvi\n[user guide]: https:\u002F\u002Fdocs.scvi-tools.org\u002Fen\u002Fstable\u002Fuser_guide\u002Findex.html\n","\u003Ca href=\"https:\u002F\u002Fscvi-tools.org\u002F\">\n  \u003Cimg\n    src=\"https:\u002F\u002Fgithub.com\u002Fscverse\u002Fscvi-tools\u002Fblob\u002Fmain\u002Fdocs\u002F_static\u002Fscvi-tools-horizontal.svg?raw=true\"\n    width=\"400\"\n    alt=\"scvi-tools\"\n  >\n\u003C\u002Fa>\n\n[![Stars][gh-stars-badge]][gh-stars-link]\n[![PyPI][pypi-badge]][pypi-link]\n[![PyPIDownloads][pepy-badge]][pepy-link]\n[![CondaDownloads][conda-badge]][conda-link]\n[![Docs][docs-badge]][docs-link]\n[![Build][build-badge]][build-link]\n[![Coverage][coverage-badge]][coverage-link]\n\nscvi-tools（单细胞变分推断工具）是一个基于 [PyTorch] 和 [AnnData] 构建的用于单细胞组学数据概率建模与分析的软件包。\n\n# 单细胞组学数据分析\n\nscvi-tools 包含多种模型，能够处理单细胞、多组学及空间组学数据中的各类分析任务：\n\n- 降维\n- 数据整合\n- 自动注释\n- 因子分析\n- 双重细胞检测\n- 空间去卷积\n- 以及其他更多功能！\n\n在 [用户指南] 中，我们对每个模型进行了概述。所有模型实现都提供了与 [Scanpy] 兼容的高级 API，并包含标准的保存\u002F加载功能、GPU 加速等特性。\n\n# 快速开发新型概率模型\n\nscvi-tools 提供了构建和部署新型概率模型的基础组件。这些组件依托于流行的概率编程框架和机器学习框架，如 [PyTorch Lightning] 和 [Pyro]。有关 scvi-tools 软件包结构的详细信息，请参阅 [代码库概览] 页面。\n\n我们建议从 [模板仓库] 开始，利用 scvi-tools 开发并部署新模型。\n\n# 基本安装\n\n使用 conda 安装：\n\n```bash\nconda install scvi-tools -c conda-forge\n```\n\n使用 pip 安装：\n\n```bash\npip install scvi-tools\n```\n\n请确保安装与您的 GPU 兼容的 [PyTorch] 版本（如果适用）。\n\n# 资源\n\n- 教程、API 参考和安装指南可在 [文档] 中找到。\n- 如需讨论使用方法，请访问我们的 [论坛]。\n- 请通过 [issues] 提交错误报告。\n- 如果您希望贡献代码，请参阅我们的 [贡献指南]。\n- 如果您发现某个模型对您的研究有帮助，请考虑引用相应的论文。\n\n# 参考文献\n\n如果您在工作中使用 `scvi-tools`，请引用以下文献：\n\n> **一种用于单细胞组学数据概率分析的 Python 库**\n>\n> Adam Gayoso, Romain Lopez, Galen Xing, Pierre Boyeau, Valeh Valiollah Pour Amiri, Justin Hong, Katherine Wu, Michael Jayasuriya, Edouard Mehlman, Maxime Langevin, Yining Liu, Jules Samaran, Gabriel Misrachi, Achille Nazaret, Oscar Clivio, Chenling Xu, Tal Ashuach, Mariano Gabitto, Mohammad Lotfollahi, Valentine Svensson, Eduardo da Veiga Beltrame, Vitalii Kleshchevnikov, Carlos Talavera-López, Lior Pachter, Fabian J. Theis, Aaron Streets, Michael I. Jordan, Jeffrey Regier & Nir Yosef\n>\n> _Nature Biotechnology_ 2022 年 2 月 7 日。doi: [10.1038\u002Fs41587-021-01206-w](https:\u002F\u002Fdoi.org\u002F10.1038\u002Fs41587-021-01206-w)。\n\n同时，请一并引用描述所用模型的论文。\n\n您也可以引用 scverse 的相关论文如下：\n\n> **scverse 项目为单细胞组学数据分析提供了一个计算生态系统**\n>\n> Isaac Virshup, Danila Bredikhin, Lukas Heumos, Giovanni Palla, Gregor Sturm, Adam Gayoso, Ilia Kats, Mikaela Koutrouli, Scverse 社区, Bonnie Berger, Dana Pe’er, Aviv Regev, Sarah A. Teichmann, Francesca Finotello, F. Alexander Wolf, Nir Yosef, Oliver Stegle & Fabian J. Theis\n>\n> _Nature Biotechnology_ 2023 年 4 月 10 日。doi: [10.1038\u002Fs41587-023-01733-8](https:\u002F\u002Fdoi.org\u002F10.1038\u002Fs41587-023-01733-8)。\n\nscvi-tools 是 scverse® 项目的一部分（[官网](https:\u002F\u002Fscverse.org), [治理结构](https:\u002F\u002Fscverse.org\u002Fabout\u002Froles)），并由 [NumFOCUS](https:\u002F\u002Fnumfocus.org\u002F) 提供财务支持。\n\n如果您喜欢 scverse® 并希望支持我们的使命，请考虑向 [NumFOCUS] 进行可抵税捐赠 ([捐赠链接](https:\u002F\u002Fnumfocus.org\u002Fdonate-to-scverse))，以帮助项目支付开发人员工时、专业服务、差旅、研讨会及其他各项开支。\n\n\u003Cdiv align=\"center\">\n\u003Ca href=\"https:\u002F\u002Fnumfocus.org\u002Fproject\u002Fscverse\">\n  \u003Cimg\n    src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fscverse_scvi-tools_readme_4ec43cc1a7a4.png\"\n    width=\"200\"\n  >\n\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n版权所有 © 2026，Yosef 实验室，魏茨曼科学研究所\n\n[anndata]: https:\u002F\u002Fanndata.readthedocs.io\u002Fen\u002Flatest\u002F\n[build-badge]: https:\u002F\u002Fgithub.com\u002Fscverse\u002Fscvi-tools\u002Factions\u002Fworkflows\u002Fbuild.yml\u002Fbadge.svg\n[build-link]: https:\u002F\u002Fgithub.com\u002Fscverse\u002Fscvi-tools\u002Factions\u002Fworkflows\u002Fbuild.yml\u002F\n[codebase overview]: https:\u002F\u002Fdocs.scvi-tools.org\u002Fen\u002Fstable\u002Fuser_guide\u002Fbackground\u002Fcodebase_overview.html\n[conda-badge]: https:\u002F\u002Fimg.shields.io\u002Fconda\u002Fdn\u002Fconda-forge\u002Fscvi-tools?logo=Anaconda\n[conda-link]: https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fscvi-tools\n[contributing guide]: https:\u002F\u002Fdocs.scvi-tools.org\u002Fen\u002Fstable\u002Fdeveloper\u002Fcode.html\n[coverage-badge]: https:\u002F\u002Fcodecov.io\u002Fgh\u002Fscverse\u002Fscvi-tools\u002Fbranch\u002Fmain\u002Fgraph\u002Fbadge.svg\n[coverage-link]: https:\u002F\u002Fcodecov.io\u002Fgh\u002Fscverse\u002Fscvi-tools\n[docs-badge]: https:\u002F\u002Freadthedocs.org\u002Fprojects\u002Fscvi\u002Fbadge\u002F?version=latest\n[docs-link]: https:\u002F\u002Fscvi.readthedocs.io\u002Fen\u002Fstable\u002F?badge=stable\n[documentation]: https:\u002F\u002Fdocs.scvi-tools.org\u002F\n[forum]: https:\u002F\u002Fdiscourse.scvi-tools.org\n[gh-stars-badge]: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fscverse\u002Fscvi-tools?style=flat&logo=GitHub&color=blue\n[gh-stars-link]: https:\u002F\u002Fgithub.com\u002Fscverse\u002Fscvi-tools\u002Fstargazers\n[issues]: https:\u002F\u002Fgithub.com\u002Fscverse\u002Fscvi-tools\u002Fissues\n[pepy-badge]: https:\u002F\u002Fstatic.pepy.tech\u002Fbadge\u002Fscvi-tools\n[pepy-link]: https:\u002F\u002Fpepy.tech\u002Fproject\u002Fscvi-tools\n[pypi-badge]: https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fscvi-tools.svg\n[pypi-link]: https:\u002F\u002Fpypi.org\u002Fproject\u002Fscvi-tools\n[pyro]: https:\u002F\u002Fpyro.ai\u002F\n[pytorch]: https:\u002F\u002Fpytorch.org\n[pytorch lightning]: https:\u002F\u002Flightning.ai\u002Fdocs\u002Fpytorch\u002Fstable\u002F\n[scanpy]: http:\u002F\u002Fscanpy.readthedocs.io\u002F\n[scvi-tools]: https:\u002F\u002Fscvi-tools.org\u002F\n[skeleton repository]: https:\u002F\u002Fgithub.com\u002Fscverse\u002Fsimple-scvi\n[user guide]: https:\u002F\u002Fdocs.scvi-tools.org\u002Fen\u002Fstable\u002Fuser_guide\u002Findex.html","# scvi-tools 快速上手指南\n\nscvi-tools 是一个基于 PyTorch 和 AnnData 构建的 Python 库，专为单细胞多组学数据的概率建模与分析而设计。它提供了降维、数据整合、自动注释、空间反卷积等多种高级分析功能，并与 Scanpy 生态无缝集成。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows (推荐 Linux 以获得最佳 GPU 支持)\n*   **Python 版本**：3.9 及以上\n*   **核心依赖**：\n    *   [PyTorch](https:\u002F\u002Fpytorch.org)：需安装与您的硬件（特别是 GPU）兼容的版本。\n    *   [AnnData](https:\u002F\u002Fanndata.readthedocs.io\u002F)：用于处理单细胞数据标准格式。\n    *   [Scanpy](http:\u002F\u002Fscanpy.readthedocs.io\u002F)：推荐的单细胞数据分析流程工具。\n\n> **提示**：如果您需要使用 GPU 加速，请务必先根据 [PyTorch 官网](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F) 指引安装正确的 CUDA 版本 PyTorch，然后再安装 scvi-tools。\n\n## 安装步骤\n\n您可以选择通过 `conda` 或 `pip` 进行安装。国内用户若遇到下载速度慢的问题，可配置清华或中科大镜像源。\n\n### 方式一：使用 Conda (推荐)\n\n```bash\nconda install scvi-tools -c conda-forge\n```\n\n*国内加速方案（使用清华镜像）：*\n```bash\nconda install scvi-tools -c https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fcloud\u002Fconda-forge\n```\n\n### 方式二：使用 Pip\n\n```bash\npip install scvi-tools\n```\n\n*国内加速方案（使用清华镜像）：*\n```bash\npip install scvi-tools -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\nscvi-tools 的设计哲学是与 Scanpy 紧密协作。以下是一个最简化的工作流程示例，展示如何加载数据、训练模型并进行降维可视化。\n\n### 1. 导入库并加载数据\n\n```python\nimport scanpy as sc\nfrom scvi.model import SCVI\n\n# 加载示例数据集 (10x Genomics PBMC 数据)\nadata = sc.datasets.pbmc68k_reduced()\n\n# 预处理：识别高变基因 (scvi-tools 通常只需要高变基因作为输入)\nsc.pp.highly_variable_genes(adata)\n\n# 注册数据到 scvi-tools 模型\n# 这一步会设置必要的元数据列，为训练做准备\nSCVI.setup_anndata(\n    adata,\n    layer=None,          # 如果使用原始计数矩阵，设为 None\n    batch_key=\"batch\",   # 如果有批次效应，指定批次列名，否则可省略\n)\n```\n\n### 2. 初始化并训练模型\n\n```python\n# 初始化模型\nmodel = SCVI(adata)\n\n# 训练模型\n# max_epochs 可根据数据量调整，默认通常为 400\nmodel.train(max_epochs=200)\n```\n\n### 3. 提取结果并可视化\n\n训练完成后，可以提取潜在表示（latent representation）用于下游分析，如聚类或 UMAP 可视化。\n\n```python\n# 获取降维后的潜在空间表示\nadata.obsm[\"X_scVI\"] = model.get_latent_representation()\n\n# 使用 Scanpy 进行邻域计算和 UMAP 降维\nsc.pp.neighbors(adata, use_rep=\"X_scVI\")\nsc.tl.umap(adata)\n\n# 绘制 UMAP 图\nsc.pl.umap(adata, color=[\"cell_type\"]) # 假设有 cell_type 注释列\n```\n\n通过以上步骤，您已完成从数据准备到模型训练及可视化的完整闭环。更多高级功能（如数据整合、差异表达分析、空间转录组分析等）请参考官方 [文档](https:\u002F\u002Fdocs.scvi-tools.org\u002F)。","某生物制药公司的计算生物学团队正在整合来自多个实验室的肿瘤单细胞测序数据，旨在识别新的免疫治疗靶点并构建统一的细胞图谱。\n\n### 没有 scvi-tools 时\n- **批次效应难以消除**：不同实验室产生的数据存在严重的技术噪音，传统线性校正方法（如 Combat）往往过度校正或校正不足，导致生物学信号丢失。\n- **注释效率低下**：面对百万级细胞数据，研究人员只能依赖手动标记已知基因簇，耗时数周且极易受主观经验影响，难以复现。\n- **模型开发门槛高**：若想尝试最新的深度生成模型来挖掘潜在因子，需从零搭建 PyTorch 架构，代码量大且调试概率模型极其困难。\n- **空间信息利用不足**：对于结合空间转录组的数据，缺乏有效工具进行细胞类型去卷积，无法解析组织微环境中的细胞空间分布。\n\n### 使用 scvi-tools 后\n- **高精度数据整合**：利用基于变分自编码器的总计数模型（TotalVI），在保留真实生物学差异的同时，无缝融合了多批次数据，聚类清晰度显著提升。\n- **自动化细胞注释**：调用预训练的半监督分类模型，仅需少量标记细胞即可在几分钟内自动完成百万级细胞的精准注释，大幅缩短分析周期。\n- **快速原型开发**：基于 PyTorch Lightning 和 Pyro 构建的模块化接口，让团队能像搭积木一样快速部署自定义概率模型，无需重复造轮子。\n- **深入空间解析**：通过内置的空间去卷积模型，成功推断出肿瘤微环境中稀有免疫细胞的空间定位，揭示了关键的药物抵抗机制。\n\nscvi-tools 将复杂的概率建模转化为标准化的分析流程，让研究人员能从繁琐的代码工程中解放出来，专注于挖掘单细胞数据背后的生物学洞察。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fscverse_scvi-tools_5e169690.png","scverse","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fscverse_49e94440.png","Foundational tools for omics data in the life sciences",null,"scverse_team","https:\u002F\u002Fscverse.org","https:\u002F\u002Fgithub.com\u002Fscverse",[22,26],{"name":23,"color":24,"percentage":25},"Python","#3572A5",100,{"name":27,"color":28,"percentage":29},"Dockerfile","#384d54",0,1597,445,"2026-04-09T12:09:21","BSD-3-Clause",2,"未说明","非必需，但支持 GPU 加速；需安装与硬件兼容的 PyTorch 版本（具体型号、显存及 CUDA 版本未在 README 中明确指定）",{"notes":38,"python":35,"dependencies":39},"该工具用于单细胞组学数据的概率建模与分析。可通过 conda 或 pip 安装。若使用 GPU，请务必手动安装与您的显卡驱动兼容的 PyTorch 版本。建议参考官方文档获取详细的安装指南和教程。",[40,41,42,43,44],"PyTorch","AnnData","Scanpy","PyTorch Lightning","Pyro",[46,47],"开发框架","图像",[49,50,51,52,53,54,55,56,14,57],"scrna-seq","variational-bayes","variational-autoencoder","cite-seq","single-cell-genomics","single-cell-rna-seq","deep-generative-model","human-cell-atlas","deep-learning","ready","2026-03-27T02:49:30.150509","2026-04-10T11:25:20.511667",[62,67,72,77,82,86],{"id":63,"question_zh":64,"answer_zh":65,"source_url":66},27606,"scVI 中默认的高变基因选择策略是什么？","scVI 默认选择最显著的 1000 个高变基因（most variable genes）作为输入。虽然这是默认设置，但也被视为推荐的选择标准。用户也可以根据具体需求选择其他基因子集，但在大多数教程和默认配置中，使用的是这 1000 个高变基因。","https:\u002F\u002Fgithub.com\u002Fscverse\u002Fscvi-tools\u002Fissues\u002F526",{"id":68,"question_zh":69,"answer_zh":70,"source_url":71},27605,"如何使用现有的 scVI 模型将新数据投影到已有的潜在空间（Latent Space）中？","可以使用 `scvi.model.SCVI.load_query_data` 方法将新数据（查询数据）加载到已训练好的模型中。注意事项如下：\n1. 新数据必须包含与训练模型相同的基因名称（var_names）。如果基因缺失，程序会报错。\n2. 该函数不会自动对输入的 anndata 对象进行子集化或重排以匹配模型，用户需确保数据格式一致。\n3. 如果新数据中缺少模型所需的基因，建议先手动处理数据使其匹配，再调用该函数。","https:\u002F\u002Fgithub.com\u002Fscverse\u002Fscvi-tools\u002Fissues\u002F849",{"id":73,"question_zh":74,"answer_zh":75,"source_url":76},27604,"导入 scvi 时出现 'AttributeError: module 'scvi' has no attribute 'data'' 错误怎么办？","这通常是由于代码修改后版本未正确加载，或者 Jupyter Notebook 的自动重载（autoreload）功能导致的。请尝试以下步骤：\n1. 检查是否修改了源代码，如有修改请重新安装或重启环境。\n2. 如果在 Jupyter Notebook 中运行，请禁用或检查 autoreload 设置。\n3. 确保通过 `pip install scvi-tools` 在干净的 conda 环境中进行了正确安装。\n4. 尝试初始化一个模型而不加载特定数据，看是否仍然报错，以排除特定模型加载问题。","https:\u002F\u002Fgithub.com\u002Fscverse\u002Fscvi-tools\u002Fissues\u002F824",{"id":78,"question_zh":79,"answer_zh":80,"source_url":81},27607,"为什么 scVI 的重构损失（Reconstruction Loss）似乎依赖于基因的表达水平？","这是一个已知现象，VAE 模型倾向于关注高表达基因，这可能会影响潜在空间的表示，导致细胞类型混合。目前 scVI 尚未内置 MMD loss 来解决此问题。如果遇到此类情况，建议：\n1. 尝试回归去除总深度（total depth）并使用皮尔逊残差（Pearson residuals）预处理数据。\n2. 关注官方讨论区（Discourse），因为此类涉及模型数学原理的深度问题通常会在社区中进行更详细的探讨和解决方案分享。\n3. 检查后验均值在高计数均值下是否存在偏差，这可能是重构误差依赖性的原因之一。","https:\u002F\u002Fgithub.com\u002Fscverse\u002Fscvi-tools\u002Fissues\u002F729",{"id":83,"question_zh":84,"answer_zh":85,"source_url":66},27608,"如何在 Colab 中运行 scVI 的交互式差异表达（DE）分析笔记本？","社区提供了基于 Plotly 的交互式差异表达分析笔记本，可在 Google Colab 中直接运行。使用建议如下：\n1. 确保安装正确版本的 scvi-tools（例如 0.6.2 或更高），以便兼容笔记本代码。\n2. 对于大规模数据（如 89k 细胞），建议减少训练轮数（epochs，例如设为 5 轮）以加快训练速度。\n3. 注意 t-SNE 计算（特别是使用 openTSNE 时）可能是最耗时的部分。\n4. 可以利用笔记本中的功能查看火山图、热图以及潜在空间的 UMAP\u002Ft-SNE 可视化，并支持鼠标悬停查看基因描述。",{"id":87,"question_zh":88,"answer_zh":89,"source_url":90},27609,"scvi-tools 是否计划支持循环一致性损失（cycle consistency loss）或 VampPrior？","是的，社区正在考虑将这些功能（如循环一致性损失和 VampPrior）集成到 scVI 中，以增强批次校正能力。目前的进展包括：\n1. 这些功能可能在未来版本（如 1.2 或 1.3 版本）或通过补丁版本发布。\n2. 实现需要修改模型初始化以支持伪输入（pseudoinputs），并在模块中替换先验分布。\n3. 需要更新 adata 的设置以指定用于校正的“系统”批次协变量。\n4. 具体实现细节可参考相关的 bioRxiv 论文及 GitHub 上的交叉系统整合代码库。","https:\u002F\u002Fgithub.com\u002Fscverse\u002Fscvi-tools\u002Fissues\u002F2383",[92,97,102,106,110,114,118,122,126,130,134,139,143,147,151,156,160,164,168,173],{"id":93,"version":94,"summary_zh":95,"released_at":96},180777,"1.4.2","有关所有更改，请参阅[发行说明](https:\u002F\u002Fdocs.scvi-tools.org\u002Fen\u002Fstable\u002Fchangelog.html)。\n\n此版本可通过 PyPI 获取：\n\n```bash\npip install scvi-tools\n```\n\nConda 版本将在稍后提供（通常不超过 2 天）。\n\n如遇任何问题，请在 [GitHub](https:\u002F\u002Fgithub.com\u002Fscverse\u002Fscvi-tools) 上提交反馈。","2026-02-26T11:47:07",{"id":98,"version":99,"summary_zh":100,"released_at":101},180778,"1.4.1","有关所有更改，请参阅[发行说明](https:\u002F\u002Fdocs.scvi-tools.org\u002Fen\u002Fstable\u002Fchangelog.html)。\n\n此版本可通过 PyPI 获取：\n\n```bash\npip install scvi-tools\n```\n\nConda 版本将在稍后提供（通常不超过 2 天）。\n\n如有任何问题，请在 [GitHub](https:\u002F\u002Fgithub.com\u002Fscverse\u002Fscvi-tools) 上提交反馈。","2025-12-10T11:13:10",{"id":103,"version":104,"summary_zh":100,"released_at":105},180779,"1.4.0.post1","2025-10-20T11:45:33",{"id":107,"version":108,"summary_zh":100,"released_at":109},180780,"1.4.0","2025-09-14T09:25:59",{"id":111,"version":112,"summary_zh":100,"released_at":113},180781,"1.3.3","2025-07-23T13:33:02",{"id":115,"version":116,"summary_zh":95,"released_at":117},180782,"1.3.2","2025-06-26T10:31:49",{"id":119,"version":120,"summary_zh":100,"released_at":121},180783,"1.3.1.post1","2025-05-15T13:32:43",{"id":123,"version":124,"summary_zh":95,"released_at":125},180784,"1.3.1","2025-05-15T08:06:26",{"id":127,"version":128,"summary_zh":100,"released_at":129},180785,"1.3.0","2025-02-27T16:45:20",{"id":131,"version":132,"summary_zh":95,"released_at":133},180786,"1.2.2.post2","2025-01-08T07:59:51",{"id":135,"version":136,"summary_zh":137,"released_at":138},180787,"1.2.2.post1","See the [release notes](https:\u002F\u002Fdocs.scvi-tools.org\u002Fen\u002Fstable\u002Fchangelog.html) for all changes.\n\nThis release is available via PyPi:\n\n```bash\npip install scvi-tools\n```\n\nConda availability will follow (\u003C 2 days typically)\n\nPlease report any issues on [GitHub](https:\u002F\u002Fgithub.com\u002Fscverse\u002Fscvi-tools).\n","2025-01-01T07:31:38",{"id":140,"version":141,"summary_zh":137,"released_at":142},180788,"1.2.2","2024-12-31T10:15:40",{"id":144,"version":145,"summary_zh":137,"released_at":146},180789,"1.2.1","2024-12-04T11:23:35",{"id":148,"version":149,"summary_zh":137,"released_at":150},180790,"1.2.0","2024-09-26T13:22:35",{"id":152,"version":153,"summary_zh":154,"released_at":155},180791,"1.1.6.post2","See the [release notes](https:\u002F\u002Fdocs.scvi-tools.org\u002Fen\u002Fstable\u002Frelease_notes\u002Findex.html) for all changes.\n\nThis release is available via PyPi:\n\n```bash\npip install scvi-tools\n```\n\nConda availability will follow (\u003C 2 days typically)\n\nPlease report any issues on [GitHub](https:\u002F\u002Fgithub.com\u002Fscverse\u002Fscvi-tools).\n","2024-09-16T05:34:06",{"id":157,"version":158,"summary_zh":154,"released_at":159},180792,"1.1.6.post1","2024-09-15T08:55:58",{"id":161,"version":162,"summary_zh":154,"released_at":163},180793,"1.1.6","2024-08-19T14:51:33",{"id":165,"version":166,"summary_zh":154,"released_at":167},180794,"1.1.5","2024-06-30T20:14:10",{"id":169,"version":170,"summary_zh":171,"released_at":172},180795,"1.1.4","See the [release notes](https:\u002F\u002Fdocs.scvi-tools.org\u002Fen\u002Fstable\u002Frelease_notes\u002Findex.html) for all changes.\r\n\r\nThis release is available via PyPi:\r\n\r\n```\r\npip install scvi-tools\r\n```\r\n\r\nConda availability will follow (\u003C 2 days typically)\r\n\r\nPlease report any issues on [GitHub](https:\u002F\u002Fgithub.com\u002Fscverse\u002Fscvi-tools).","2024-06-30T20:03:40",{"id":174,"version":175,"summary_zh":171,"released_at":176},180796,"1.1.3","2024-06-26T20:31:32",[178,189,197,206,214,223],{"id":179,"name":180,"github_repo":181,"description_zh":182,"stars":183,"difficulty_score":184,"last_commit_at":185,"category_tags":186,"status":58},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[187,46,47,188],"Agent","数据工具",{"id":190,"name":191,"github_repo":192,"description_zh":193,"stars":194,"difficulty_score":184,"last_commit_at":195,"category_tags":196,"status":58},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[46,47,187],{"id":198,"name":199,"github_repo":200,"description_zh":201,"stars":202,"difficulty_score":34,"last_commit_at":203,"category_tags":204,"status":58},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",148568,"2026-04-09T23:34:24",[46,187,205],"语言模型",{"id":207,"name":208,"github_repo":209,"description_zh":210,"stars":211,"difficulty_score":34,"last_commit_at":212,"category_tags":213,"status":58},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108111,"2026-04-08T11:23:26",[46,47,187],{"id":215,"name":216,"github_repo":217,"description_zh":218,"stars":219,"difficulty_score":34,"last_commit_at":220,"category_tags":221,"status":58},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[222,187,47,46],"插件",{"id":224,"name":225,"github_repo":226,"description_zh":227,"stars":228,"difficulty_score":34,"last_commit_at":229,"category_tags":230,"status":58},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[222,46]]