scvi-tools

Deep learning for single-cell analysis using scvi-tools. This skill should be used when users need (1) data integration and batch correction with scVI/scANVI, (2) ATAC-seq analysis with PeakVI, (3) CITE-seq multi-modal analysis with totalVI, (4) multiome RNA+ATAC analysis with MultiVI, (5) spatial transcriptomics deconvolution with DestVI, (6) label transfer and reference mapping with scANVI/scArches, (7) RNA velocity with veloVI, or (8) any deep learning-based single-cell method. Triggers include mentions of scVI, scANVI, totalVI, PeakVI, MultiVI, DestVI, veloVI, sysVI, scArches, variational autoencoder, VAE, batch correction, data integration, multi-modal, CITE-seq, multiome, reference mapping, latent space.

1. Zidentyfikuj typ danych i cel analizy – sprawdź tabelę modeli w dokumentacji, aby wybrać odpowiedni algorytm (scVI dla integracji nienadzorowanej, scANVI dla transferu etykiet, PeakVI dla ATAC-seq, totalVI dla CITE-seq, MultiVI dla multiome, DestVI dla transkryptomiki przestrzennej, veloVI dla prędkości RNA).

2. Przygotuj środowisko – zapoznaj się z plikiem references/environment_setup.md w repozytorium, aby zainstalować scvi-tools i skonfigurować obsługę GPU, jeśli jest dostępna.

3. Wczytaj odpowiedni plik referencyjny – każdy model ma dedykowany plik w katalogu references/ zawierający szczegółowe kroki, parametry i przykłady kodu dla Twojego wariantu analizy.

4. Wykorzystaj gotowe skrypty – katalog scripts/ zawiera przygotowane funkcje do typowych operacji, aby uniknąć pisania kodu od zera i przyspieszyć pracę.

5. W razie problemów z instalacją lub GPU konsultuj references/troubleshooting.md – zawiera rozwiązania dla częstych błędów i wskazówki diagnostyczne.

6. Uruchom analizę – postępuj zgodnie z wybranym workflow, dostosowując parametry do specyfiki Twoich danych i pytania badawczego.