{"product_id":"claude-cho-bio-research-phan-tich-single-cell-với-scvi-tools","title":"Claude cho Bio Research: Phân tích single-cell với scvi-tools","description":"\n\u003cp\u003escvi-tools là framework deep learning hàng đầu cho phân tích single-cell genomics, cung cấp các mô hình xác suất (probabilistic models) để tích hợp dữ liệu, hiệu chỉnh batch effect, và phân tích đa phương thức. Claude có thể hỗ trợ toàn bộ quy trình — từ chọn mô hình phù hợp đến chạy script và debug lỗi.\u003c\/p\u003e\n\n\u003ch2\u003eChọn mô hình phù hợp\u003c\/h2\u003e\n\u003ctable\u003e\n  \u003cthead\u003e\u003ctr\u003e\n\u003cth\u003eLoại dữ liệu\u003c\/th\u003e\n\u003cth\u003eMô hình\u003c\/th\u003e\n\u003cth\u003eMục đích chính\u003c\/th\u003e\n\u003c\/tr\u003e\u003c\/thead\u003e\n  \u003ctbody\u003e\n    \u003ctr\u003e\n\u003ctd\u003escRNA-seq\u003c\/td\u003e\n\u003ctd\u003e\u003cstrong\u003escVI\u003c\/strong\u003e\u003c\/td\u003e\n\u003ctd\u003eIntegration không giám sát, DE, imputation\u003c\/td\u003e\n\u003c\/tr\u003e\n    \u003ctr\u003e\n\u003ctd\u003escRNA-seq + labels\u003c\/td\u003e\n\u003ctd\u003e\u003cstrong\u003escANVI\u003c\/strong\u003e\u003c\/td\u003e\n\u003ctd\u003eLabel transfer, semi-supervised integration\u003c\/td\u003e\n\u003c\/tr\u003e\n    \u003ctr\u003e\n\u003ctd\u003eCITE-seq (RNA+protein)\u003c\/td\u003e\n\u003ctd\u003e\u003cstrong\u003etotalVI\u003c\/strong\u003e\u003c\/td\u003e\n\u003ctd\u003eMulti-modal integration, protein denoising\u003c\/td\u003e\n\u003c\/tr\u003e\n    \u003ctr\u003e\n\u003ctd\u003escATAC-seq\u003c\/td\u003e\n\u003ctd\u003e\u003cstrong\u003ePeakVI\u003c\/strong\u003e\u003c\/td\u003e\n\u003ctd\u003eChromatin accessibility analysis\u003c\/td\u003e\n\u003c\/tr\u003e\n    \u003ctr\u003e\n\u003ctd\u003eMultiome (RNA+ATAC)\u003c\/td\u003e\n\u003ctd\u003e\u003cstrong\u003eMultiVI\u003c\/strong\u003e\u003c\/td\u003e\n\u003ctd\u003ePhân tích đa phương thức kết hợp\u003c\/td\u003e\n\u003c\/tr\u003e\n    \u003ctr\u003e\n\u003ctd\u003eSpatial + scRNA reference\u003c\/td\u003e\n\u003ctd\u003e\u003cstrong\u003eDestVI\u003c\/strong\u003e\u003c\/td\u003e\n\u003ctd\u003eCell type deconvolution không gian\u003c\/td\u003e\n\u003c\/tr\u003e\n    \u003ctr\u003e\n\u003ctd\u003eRNA velocity\u003c\/td\u003e\n\u003ctd\u003e\u003cstrong\u003eveloVI\u003c\/strong\u003e\u003c\/td\u003e\n\u003ctd\u003eĐộng học phiên mã\u003c\/td\u003e\n\u003c\/tr\u003e\n    \u003ctr\u003e\n\u003ctd\u003eCross-technology\u003c\/td\u003e\n\u003ctd\u003e\u003cstrong\u003esysVI\u003c\/strong\u003e\u003c\/td\u003e\n\u003ctd\u003eHiệu chỉnh batch giữa các platform\u003c\/td\u003e\n\u003c\/tr\u003e\n  \u003c\/tbody\u003e\n\u003c\/table\u003e\n\n\u003cp\u003ePrompt để Claude tự động chọn mô hình:\u003c\/p\u003e\n\u003cpre\u003e\u003ccode\u003eTôi có dataset single-cell RNA-seq từ 3 batch khác nhau (10X Genomics),\ntổng ~50,000 tế bào. Tôi muốn:\n1. Tích hợp và hiệu chỉnh batch effect\n2. Cluster và visualize trên UMAP\n3. Tìm marker genes cho từng cluster\n\nMô hình nào trong scvi-tools phù hợp nhất?\u003c\/code\u003e\u003c\/pre\u003e\n\n\u003ch2\u003eYêu cầu kỹ thuật bắt buộc\u003c\/h2\u003e\n\u003cp\u003eTrước khi bắt đầu, có 3 yêu cầu kỹ thuật cứng với scvi-tools:\u003c\/p\u003e\n\n\u003ch3\u003e1. Raw counts là bắt buộc\u003c\/h3\u003e\n\u003cp\u003eCác mô hình scvi-tools yêu cầu dữ liệu integer count (không phải log-normalized):\u003c\/p\u003e\n\u003cpre\u003e\u003ccode\u003eimport scanpy as sc\nimport scvi\n\n# LƯU raw counts TRƯỚC khi normalize\nadata.layers[\"counts\"] = adata.X.copy()\n\n# Setup với raw counts\nscvi.model.SCVI.setup_anndata(adata, layer=\"counts\")\u003c\/code\u003e\u003c\/pre\u003e\n\n\u003ch3\u003e2. Chọn Highly Variable Genes (HVG)\u003c\/h3\u003e\n\u003cpre\u003e\u003ccode\u003e# Chọn 2000-4000 HVGs\nsc.pp.highly_variable_genes(\n    adata,\n    n_top_genes=2000,\n    batch_key=\"batch\",\n    layer=\"counts\",\n    flavor=\"seurat_v3\"\n)\nadata = adata[:, adata.var['highly_variable']].copy()\u003c\/code\u003e\u003c\/pre\u003e\n\n\u003ch3\u003e3. Chỉ định batch key\u003c\/h3\u003e\n\u003cpre\u003e\u003ccode\u003escvi.model.SCVI.setup_anndata(adata, layer=\"counts\", batch_key=\"batch\")\u003c\/code\u003e\u003c\/pre\u003e\n\n\u003ch2\u003eQuy trình scVI cơ bản\u003c\/h2\u003e\n\n\u003ch3\u003eBước 1: Validate và chuẩn bị dữ liệu\u003c\/h3\u003e\n\u003cpre\u003e\u003ccode\u003epython scripts\/validate_adata.py raw.h5ad --batch-key batch --suggest\npython scripts\/prepare_data.py raw.h5ad prepared.h5ad --batch-key batch --n-hvgs 2000\u003c\/code\u003e\u003c\/pre\u003e\n\n\u003ch3\u003eBước 2: Train mô hình scVI\u003c\/h3\u003e\n\u003cpre\u003e\u003ccode\u003epython scripts\/train_model.py prepared.h5ad results\/ --model scvi --batch-key batch\u003c\/code\u003e\u003c\/pre\u003e\n\n\u003cp\u003eHoặc trực tiếp với Python:\u003c\/p\u003e\n\u003cpre\u003e\u003ccode\u003eimport scvi\n\nscvi.model.SCVI.setup_anndata(adata, layer=\"counts\", batch_key=\"batch\")\nmodel = scvi.model.SCVI(adata, n_layers=2, n_latent=30)\nmodel.train(max_epochs=400)\u003c\/code\u003e\u003c\/pre\u003e\n\n\u003ch3\u003eBước 3: Cluster và visualize\u003c\/h3\u003e\n\u003cpre\u003e\u003ccode\u003epython scripts\/cluster_embed.py results\/adata_trained.h5ad results\/ --resolution 0.8\u003c\/code\u003e\u003c\/pre\u003e\n\n\u003cp\u003eLấy latent representation và tạo UMAP:\u003c\/p\u003e\n\u003cpre\u003e\u003ccode\u003eimport scanpy as sc\n\nadata.obsm[\"X_scVI\"] = model.get_latent_representation()\nsc.pp.neighbors(adata, use_rep=\"X_scVI\")\nsc.tl.umap(adata)\nsc.tl.leiden(adata, resolution=0.8)\nsc.pl.umap(adata, color=[\"leiden\", \"batch\"])\u003c\/code\u003e\u003c\/pre\u003e\n\n\u003ch3\u003eBước 4: Differential expression\u003c\/h3\u003e\n\u003cpre\u003e\u003ccode\u003epython scripts\/differential_expression.py results\/model results\/adata_clustered.h5ad     results\/de.csv --groupby leiden\u003c\/code\u003e\u003c\/pre\u003e\n\n\u003cp\u003escVI có ưu điểm lớn trong DE analysis: sử dụng posterior distribution thay vì p-value đơn giản, kiểm soát tốt hơn false positives:\u003c\/p\u003e\n\u003cpre\u003e\u003ccode\u003ede_results = model.differential_expression(\n    adata,\n    groupby=\"leiden\",\n    group1=\"0\",\n    group2=\"1\"\n)\n# Lọc genes có lfc_mean \u0026gt; 1 và is_de_fdr_0.05 = True\u003c\/code\u003e\u003c\/pre\u003e\n\n\u003ch2\u003eLabel Transfer với scANVI\u003c\/h2\u003e\n\u003cp\u003eKhi bạn có dataset tham chiếu đã annotate và muốn transfer nhãn sang dataset mới:\u003c\/p\u003e\n\u003cpre\u003e\u003ccode\u003e# Bước 1: Train scVI trên reference dataset\nscvi.model.SCVI.setup_anndata(ref_adata, layer=\"counts\", batch_key=\"batch\")\nvae = scvi.model.SCVI(ref_adata)\nvae.train()\n\n# Bước 2: Train scANVI với cell type labels\nscanvi_model = scvi.model.SCANVI.from_scvi_model(\n    vae,\n    unlabeled_category=\"Unknown\",\n    labels_key=\"cell_type\"\n)\nscanvi_model.train(max_epochs=20)\n\n# Bước 3: Transfer labels sang query dataset\nscvi.model.SCANVI.prepare_query_anndata(query_adata, scanvi_model)\nquery_model = scvi.model.SCANVI.load_query_data(query_adata, scanvi_model)\nquery_model.train(max_epochs=100)\nquery_adata.obs[\"predicted_labels\"] = query_model.predict()\u003c\/code\u003e\u003c\/pre\u003e\n\n\u003ch2\u003ePhân tích CITE-seq với totalVI\u003c\/h2\u003e\n\u003cpre\u003e\u003ccode\u003escvi.model.TOTALVI.setup_anndata(\n    adata,\n    layer=\"counts\",\n    protein_expression_obsm_key=\"protein_expression\",\n    batch_key=\"batch\"\n)\nmodel = scvi.model.TOTALVI(adata)\nmodel.train(max_epochs=400)\n\n# Lấy protein denoised values\nprotein_foreground_prob = model.get_protein_foreground_probability()\u003c\/code\u003e\u003c\/pre\u003e\n\n\u003ch2\u003eDecision tree chọn mô hình nhanh\u003c\/h2\u003e\n\u003cp\u003ePrompt để Claude giúp quyết định:\u003c\/p\u003e\n\u003cpre\u003e\u003ccode\u003eMô tả dữ liệu:\n- Loại: scRNA-seq\n- Số tế bào: 80,000\n- Số batch: 5 (3 lab khác nhau, 2 protocol khác nhau)\n- Có cell type annotations cho 2 batch đầu: Có\n- Có thêm protein (CITE-seq): Không\n- Mục tiêu: tích hợp tất cả batch, predict cell type cho batch chưa annotate\n\nHãy đề xuất mô hình tối ưu và pipeline step-by-step.\u003c\/code\u003e\u003c\/pre\u003e\n\n\u003ch2\u003eXử lý lỗi thường gặp\u003c\/h2\u003e\n\u003cp\u003e\u003cstrong\u003eCUDA out of memory:\u003c\/strong\u003e\u003c\/p\u003e\n\u003cpre\u003e\u003ccode\u003e# Giảm batch size\nmodel.train(max_epochs=400, batch_size=128)  # default 128\n\n# Hoặc train trên CPU\nmodel.train(max_epochs=400, use_gpu=False)\u003c\/code\u003e\u003c\/pre\u003e\n\n\u003cp\u003e\u003cstrong\u003eConvergence chậm:\u003c\/strong\u003e\u003c\/p\u003e\n\u003cpre\u003e\u003ccode\u003e# Tăng learning rate hoặc early stopping\nmodel.train(\n    max_epochs=400,\n    early_stopping=True,\n    early_stopping_patience=20\n)\u003c\/code\u003e\u003c\/pre\u003e\n\n\u003cp\u003e\u003cstrong\u003eIntegration kém (batch effect còn lại):\u003c\/strong\u003e\u003c\/p\u003e\n\u003cul\u003e\n  \u003cli\u003eTăng \u003ccode\u003en_latent\u003c\/code\u003e (thử 30, 50, 100)\u003c\/li\u003e\n  \u003cli\u003eTăng số HVGs (thử 3000, 4000)\u003c\/li\u003e\n  \u003cli\u003eCân nhắc sysVI cho batch effect giữa các technology\u003c\/li\u003e\n\u003c\/ul\u003e\n\n\u003ch2\u003eBước tiếp theo\u003c\/h2\u003e\n\u003cp\u003eSau khi hoàn thành phân tích scvi-tools, bước tự nhiên tiếp theo là thực hiện QC chất lượng dữ liệu — hoặc nếu bạn đang bắt đầu từ raw data, hãy xem hướng dẫn Single-Cell RNA QC. Khám phá thêm tại \u003ca href=\"\/collections\/ung-dung\"\u003ebộ sưu tập Ứng dụng\u003c\/a\u003e.\u003c\/p\u003e\n\n\n\u003chr\u003e\n\u003ch3\u003eBài viết liên quan\u003c\/h3\u003e\n\u003cul\u003e\n\u003cli\u003e\u003ca href=\"\/products\/claude-cho-bio-research-b%E1%BA%AFt-d%E1%BA%A7u-d%E1%BB%B1-an-nghien-c%E1%BB%A9u-sinh-h%E1%BB%8Dc\"\u003eClaude cho Bio Research: Bắt đầu dự án nghiên cứu sinh học\u003c\/a\u003e\u003c\/li\u003e\n\u003cli\u003e\u003ca href=\"\/products\/claude-nghien-c%E1%BB%A9u-sinh-h%E1%BB%8Dc-h%C6%B0%E1%BB%9Bng-d%E1%BA%ABn-k%E1%BA%BFt-n%E1%BB%91i-cong-c%E1%BB%A5\"\u003eClaude Nghiên cứu Sinh học: Hướng dẫn Kết nối Công cụ\u003c\/a\u003e\u003c\/li\u003e\n\u003cli\u003e\u003ca href=\"\/products\/claude-cho-bio-research-chuy%E1%BB%83n-d%E1%BB%95i-d%E1%BB%AF-li%E1%BB%87u-thi%E1%BA%BFt-b%E1%BB%8B-sang-d%E1%BB%8Bnh-d%E1%BA%A1ng-allotrope\"\u003eClaude cho Bio Research: Chuyển đổi dữ liệu thiết bị sang định dạng Allotrope\u003c\/a\u003e\u003c\/li\u003e\n\u003cli\u003e\u003ca href=\"\/products\/claude-cho-data-validation-va-data-quality\"\u003eClaude cho Data: Validation và data quality\u003c\/a\u003e\u003c\/li\u003e\n\u003cli\u003e\u003ca href=\"\/products\/claude-cho-engineering-debug-va-x%E1%BB%AD-ly-l%E1%BB%97i\"\u003eClaude cho Engineering: Debug và xử lý lỗi\u003c\/a\u003e\u003c\/li\u003e\n\u003c\/ul\u003e","brand":"Minh Tuấn","offers":[{"title":"Default Title","offer_id":66959030517805,"sku":null,"price":0.0,"currency_code":"VND","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0763\/9531\/5245\/files\/claude-cho-bio-research-phan-tich-single-cell-v_i-scvi-tools_e014286a-b33d-49b4-a31c-441370287e8f.jpg?v=1782891933","url":"https:\/\/claudeae.com\/products\/claude-cho-bio-research-phan-tich-single-cell-v%e1%bb%9bi-scvi-tools","provider":"Claude.vn","version":"1.0","type":"link"}