Nature Methods
可操作的单细胞分析模型库 scvi-hub
小赛推荐：
文章介绍了 scvi-hub，这是一个基于预训练概率模型的单细胞组学数据高效共享与访问平台，支持可视化、填补、注释、解卷积等多种分析任务，显著降低存储与计算需求。该平台已集成到 scvi-tools 和 scverse 生态系统，为用户提供了便捷的模型复用和贡献机制。
文献概述
本文《Scvi-hub: an actionable repository for model-driven single-cell analysis》，发表于《Nature Methods》杂志，回顾并总结了单细胞组学数据的共享与分析新平台 scvi-hub。该平台通过预训练模型支持快速可视化、注释、解卷积等任务，极大减少数据存储和计算需求，同时为用户提供了一个可扩展、易用的模型共享与复用生态系统。
背景知识
单细胞组学技术在细胞状态注释、疾病研究中发挥了核心作用，但大规模数据集的复用仍受限于数据传输、标准化和整合等挑战。尽管非参数和参数化方法（如 scVI、scArches）已广泛应用于数据集成与下游分析，但模型共享、质量评估及标准化接口的缺失阻碍了其在更大范围的复用。scvi-hub 填补了这一空白，通过 Hugging Face 和 AWS S3 实现模型与数据的高效共享，同时提供 scvi.criticism 模块支持模型评估，确保模型质量与适用性。此外，该平台支持 minified data（低维参数）的存储与分析，使用户可在常规硬件上分析大规模数据集，如 CELLxGENE Discover Census（3000万细胞规模）。
研究方法与实验
scvi-hub 基于 scvi-tools 框架，使用 Hugging Face Model Hub 作为模型存储与共享平台，同时支持 AWS S3 等云存储。模型开发者可上传预训练模型及对应数据（raw 或 minified），并通过 Model Card 提供模型描述与使用指南。模型消费者可直接下载模型，并通过 scvi-hub API 进行下游分析，包括可视化、聚类、轨迹推断、表达差异分析等。
scvi-hub 提供 scvi.criticism 模块，支持模型评估与选择，使用 posterior predictive checks（PPC）比较模型生成数据与原始数据在基因变异系数、表达差异等方面的相似度。模型质量评估标准包括 r² > 0.4 的变异系数匹配、F1-score > 0.8 的标记基因重叠等。此外，平台支持跨模ality 模型共享，如 totalVI（RNA + protein）模型，可应用于 CITE-seq 数据分析。
模型消费者可使用 scArches 进行 query 数据与 reference 数据的联合嵌入，实现细胞注释、表达差异分析、细胞状态富集等任务。该方法已应用于肺病数据（如 emphysema）、CAR-T 细胞治疗数据、空间转录组数据（如 prostate）等案例，成功识别疾病相关基因、Treg 细胞富集、空间细胞组成推断等。
关键结论与观点
研究意义与展望
scvi-hub 为单细胞分析社区提供了一个标准化、易用的模型共享平台，使用户能够高效复用已有模型进行新数据集分析，同时提供统一接口供开发者贡献模型。该平台有望成为单细胞分析生态的核心组件，支持更多分析任务与模型类型扩展。未来，平台可进一步整合更多跨模态模型（如 scGPT、Geneformer）与自动化分析流程，提高模型可访问性与分析深度。
结语
scvi-hub 是一个基于 scvi-tools 的模型共享平台，通过 Hugging Face 与 AWS S3 支持大规模单细胞组学数据的模型存储与复用。平台提供 scvi.criticism 模块，帮助用户评估模型质量，并通过 minified data 降低数据存储与计算需求。该平台已在肺病、CAR-T 治疗、空间转录组等研究中成功应用，支持细胞状态注释、表达差异分析、细胞富集推断等任务。scvi-hub 的核心优势在于其统一 API、标准化模型评估与高效模型复用机制，为单细胞分析提供了可扩展、用户友好的基础设施。该平台的进一步发展可拓展至更多模态与分析任务，促进模型驱动的单细胞研究范式。
