SSkilnexa
SkillKỹ thuật phần mềmHợp với: Nhà sinh tin họcMức: Kỹ thuật

Phân tích dữ liệu tế bào đơn bằng học sâu scvi-tools

scvi-tools

Dùng mô hình học sâu (scVI, totalVI, MultiVI...) để hợp nhất dữ liệu, hiệu chỉnh lệch lô, phân tích ATAC-seq, CITE-seq, không gian và vận tốc RNA ở mức tế bào đơn.

Tải miễn phí. Theo dõi Skilnexa một lần là mở khoá mọi lượt tải trên web.

Nút theo dõi đang được chuẩn bị.
Link tải đang được chuẩn bị.

Nó là gì

Skill dùng học sâu để phân tích dữ liệu tế bào đơn, ví dụ gộp nhiều mẫu thí nghiệm và chỉnh sai lệch giữa các lô. Dành cho nhà nghiên cứu sinh học tính toán có dữ liệu đếm gen thô.

Hoạt động ra sao

AI chọn mô hình phù hợp theo loại dữ liệu (RNA, ATAC, CITE-seq, đa phương thức, không gian), kiểm tra dữ liệu, chuẩn hóa, huấn luyện mô hình, rồi phân cụm và tìm gen khác biệt. Bạn phải đưa dữ liệu đếm thô, chưa chuẩn hóa.

Ví dụ ứng dụng

Tình huống
Phòng thí nghiệm gộp dữ liệu RNA đơn bào của ba đợt thí nghiệm có sai lệch giữa các đợt.
Bạn đưa vào
File dữ liệu đếm gen thô, kèm cột ghi đợt thí nghiệm để chỉnh sai lệch.
Bạn nhận được
Nhóm tế bào sau khi phân cụm, gen đặc trưng từng nhóm và bảng so sánh.

Ví dụ minh họa theo quy trình trong tài liệu gốc, chưa phải kết quả thử chạy.

Dùng khi nào

Khi cần gộp dữ liệu tế bào từ nhiều lô thí nghiệm và loại sai lệch giữa lô.

Các phần chính trong hướng dẫn

  1. Chọn mô hình phù hợp
  2. Tệp tham chiếu quy trình
  3. Script dòng lệnh và pipeline
  4. Quy trình ví dụ
  5. Tiện ích Python
  6. Yêu cầu bắt buộc
  7. Cây quyết định nhanh
Xem mô tả gốc của tác giả (tiếng Anh)

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.

Ví dụ yêu cầu

  • When scvi-tools, scVI, scANVI, or related models are mentioned
  • When deep learning-based batch correction or integration is needed
  • When working with multi-modal data (CITE-seq, multiome)
  • When reference mapping or label transfer is required
  • When analyzing ATAC-seq or spatial transcriptomics data
  • When learning latent representations of single-cell data

Cùng nhóm Kỹ thuật phần mềm

Phần giải thích do Skilnexa viết sau khi đọc toàn bộ tài liệu gốc của tác giả và đã đối chiếu lại với nội dung gốc. Chưa phải kết quả thử chạy, nên hãy thử bằng dữ liệu giả trước khi dùng cho việc thật.