Guía de lectura localizada
scvi-toolsFinalidad, uso y origen
Aprendizaje profundo para el análisis de células individuales utilizando scvi-tools. Esta habilidad debe usarse cuando los usuarios necesiten (1) integración de datos y corrección por lotes conscVI/scANVI, (2) Análisis ATAC-seq con PeakVI, (3) Análisis multimodal CITE-seq con totalVI, (4) análisis multioma RNA+ATAC con MultiVI, (5) deconvolución transcriptómica espacial con DestVI, (6) transferencia de etiquetas y mapeo de referencias conscANVI/scArches, (7) Velocidad del ARN con veloVI, o (8) cualquier método de célula única basado en aprendizaje profundo. Los desencadenantes incluyen menciones de scVI, scANVI, totalVI, PeakVI, MultiVI, DestVI, veloVI, sysVI, scArches, autoencoder variacional, VAE, corrección por lotes, integración de datos, multimodal, CITE-seq, multioma, mapeo de referencia, espacio latente.
Fuente recuperada:
- Repositorio de origen
- anthropics/knowledge-work-plugins
- SKILL.md
bio-research/skills/scvi-tools/SKILL.md- Estrellas del repositorio
- 34,049
- Actualización del repositorio
- 2026-10-30
- Clasificación de habilidades
- Investigación
- Última recopilación
Licencia: Documentos de licencia pendientes de verificación
Los extractos del flujo de trabajo son guías de lectura, no instrucciones ejecutables de Codez. No se utilizó ninguna habilidad de terceros para generar esta página.
Los siguientes fragmentos sobre el propósito y el flujo de trabajo son material preliminar, organizado y traducido para su lectura. Son distintos del análisis editorial de Codez, que se presenta por separado.
Lo que hace esta habilidad
Aprendizaje profundo para el análisis de células individuales utilizando scvi-tools. Esta habilidad debe usarse cuando los usuarios necesiten (1) integración de datos y corrección por lotes conscVI/scANVI, (2) Análisis ATAC-seq con PeakVI, (3) Análisis multimodal CITE-seq con totalVI, (4) análisis multioma RNA+ATAC con MultiVI, (5) deconvolución transcriptómica espacial con DestVI, (6) transferencia de etiquetas y mapeo de referencias conscANVI/scArches, (7) Velocidad del ARN con veloVI, o (8) cualquier método de célula única basado en aprendizaje profundo. Los desencadenantes incluyen menciones de scVI, scANVI, totalVI, PeakVI, MultiVI, DestVI, veloVI, sysVI, scArches, autoencoder variacional, VAE, corrección por lotes, integración de datos, multimodal, CITE-seq, multioma, mapeo de referencia, espacio latente.
Cómo funciona el flujo de trabajo ascendente
Cómo utilizar esta habilidad
Identifique el flujo de trabajo apropiado desde elmodel/workflowtablas a continuación Lea el archivo de referencia correspondiente para obtener pasos y código detallados Utilice scripts enscripts/para evitar reescribir código común Para problemas de instalación o GPU, consultereferences/environment_setup.md
Cuándo usar esta habilidad
Cuando se mencionan scvi-tools, scVI, scANVI o modelos relacionados. Cuando se necesita corrección o integración de lotes basada en aprendizaje profundo. Cuando se trabaja con datos multimodales (CITE-seq, multioma). Cuando se requiere mapeo de referencia o transferencia de etiquetas.
Paso río arriba · L18 ↗Habilidad de aprendizaje profundo de scvi-tools
Esta habilidad proporciona orientación para el análisis de células individuales basado en aprendizaje profundo utilizando scvi-tools, el marco líder para modelos probabilísticos en genómica de células individuales.
Paso río arriba · L6 ↗# 1. Validate input data
python scripts/validate_adata.py raw.h5ad --batch-key batch --suggest
# 2. Prepare data (QC, HVG selection)
python scripts/prepare_data.py raw.h5ad prepared.h5ad --batch-key batch --n-hvgs 2000
# 3. Train model
python scripts/train_model.py prepared.h5ad results/ --model scvi --batch-key batch
# 4. Cluster and visualize
python scripts/cluster_embed.py results/adata_trained.h5ad results/ --resolution 0.8
# 5. Differential expression
python scripts/differential_expression.py results/model results/adata_clustered.h5ad results/de.csv --groupby leidenRequisitos y configuración
Requisitos críticos
Recuentos brutos necesarios: los modelos de scvi-tools requieren datos de recuento enteros Selección de HVG: Usar2000-4000genes altamente variables
Paso río arriba · L106 ↗Límites y controles de calidad
No se seleccionó ningún pasaje con límites específicos en este archivo. Esto no significa que la habilidad sea segura para cualquier entrada o entorno. Revise el código fuente completo y valide su propio resultado.
Comience con una prueba segura.
- Verifique el host compatible y las instrucciones de instalación del repositorio. Mantenga juntos el directorio Skill y sus scripts, recursos y documentación a los que hace referencia;SKILL.mdsolo puede omitir dependencias.
- Proporcione al agente sus datos reales, el resultado deseado y los criterios de aceptación. La sintaxis de invocación y las herramientas disponibles dependen del sistema anfitrión; este sitio no presupone un comando de instalación universal.
- Pruebe el flujo de trabajo original en un proyecto desechable o en una copia. Revise las operaciones que modifican archivos, servicios remotos o recursos facturables antes de autorizarlas.
- Valide el resultado comparándolo con los controles de calidad de origen y sus propios requisitos. Un activador exitoso o un alto número de estrellas en el repositorio no garantizan un resultado correcto.
Lea más en la fuente
Habilidades relacionadas
Traducción y alcance
Esta guía de lectura selecciona pasajes de la sección fijada en la parte superior.SKILL.mdLa traducción es asistida. No se trata de un manual completo ni garantiza la compatibilidad. Lea el original y los archivos a los que hace referencia antes de usarlo.
Esta introducción hace referencia a la versión fijada a continuación; la actividad actual del repositorio y la hora de recopilación se muestran por separado.
- Fuente fijada
- Lee el original ↗
- Fuente recuperada
- Confirmación de origen
2574e29377c7173d0cecffef29a6ecbd7f8ccb5d- Fuente SHA-256
03a69b32b77db86afe5f87b75db2ae4c92b03b6e9e16e2c5e66cde2d4ad9c5bc