scvi-tools

scvi-tools スキルの概要

scvi-tools は何のためのものか

scvi-tools スキルは、通常の解析プロンプトではあいまいすぎるときに、単一細胞オミクス向けの scVI 系確率モデルを使いこなすためのものです。特に、バッチ補正、潜在表現の学習、実行間・ドナー間の統合、そして不確実性を考慮した差次的発現解析に向いています。目的が日常的な前処理ではなく、高度な single-cell モデリングであれば、この scvi-tools スキルは非常に相性が良いです。

どんな人がインストールすべきか

single-cell RNA-seq、multiome、CITE-seq、ATAC、空間データを扱い、モデル駆動のワークフローを求めるなら scvi-tools をインストールしてください。特に、単なる静的な手法の要約ではなく、PyTorch ベースのフレームワークが必要な Machine Learning ユーザーに適しています。基本的な QC、クラスタリング、可視化が主な用途なら、標準的な Scanpy-first のワークフローで十分なことが多いです。

採用前に確認しておくべきこと

重要なのは、scvi-tools があること自体ではなく、raw counts から学習済み潜在モデルまでを、明確なトレードオフ込みで進められる実用的な道筋を提供してくれる点です。判断のポイントは、追加のセットアップやモデリングの選択を負担してでも、確率モデリング、転移学習、マルチモーダル統合が必要かどうかです。バッチ効果の扱いや、異質なデータセットを慎重に比較することが出力品質を左右するなら、このスキルを入れる価値があります。

scvi-tools スキルの使い方

スキルをインストールする

scvi-tools スキルは、ディレクトリのインストールフローを使います。
npx skills add K-Dense-AI/claude-scientific-skills --skill scvi-tools

インストール後は、scientific-skills/scvi-tools の下にあるスキルのパスを確認し、ソースファイルを直接開いてください。このリポジトリでは SKILL.md が主な入口で、参照できる rules/、resources/、scripts/ フォルダはありません。

まず読むべきファイル

まず SKILL.md を読んで、対象範囲、モデルファミリー、推奨される判断ポイントを把握してください。そのあとで、プロンプトを作る前に「いつこのスキルを使うか」「コア機能」「single-cell RNA-seq ワークフロー」の各セクションを確認します。リポジトリはコンパクトなので、推測を減らす最短ルートは、モデル名だけをつまみ食いするのではなく、ファイル全体を一度通して読むことです。

曖昧な目的を使えるプロンプトに変える

「scRNA-seq データを解析して」のような弱い依頼では不十分です。scvi-tools をうまく使うプロンプトでは、アッセイ、データ形状、必要な判断を明示します。

• “Use scVI to integrate 6 scRNA-seq batches, compare donor effects, and return the latent space plus batch-mixing diagnostics.”
• “Fit a MULTIVI-style workflow for paired RNA + ATAC data and explain whether cells are better separated by biology or batch.”
• “Run differential expression with uncertainty on two cell populations and report effect sizes, not just p-values.”

出力品質を変えるワークフローのコツ

適切なモデルファミリーを選べるように、入力として modality、バッチ数、ペアデータかどうか、タスクが統合・アノテーション・DE のどれかを伝えてください。疎なカウント、小規模サンプル、既存の scanpy オブジェクトとの互換性維持など、制約があれば最初に明記します。scvi-tools のガイドとしてより良い結果がほしいなら、モデルの選択理由、セットアップ手順、期待される出力、よくある失敗モードまでを一度にまとめて聞くのが有効です。

scvi-tools スキル FAQ

scvi-tools は scRNA-seq 専用ですか？

いいえ。scvi-tools スキルは、RNA-seq、ATAC、マルチモーダルアッセイ、空間データなど、複数の single-cell モダリティをカバーします。ただし、RNA の統合は最も一般的な入口なので、より複雑なデータに広げる前に、まずそこで適合性を確認するのがいちばん分かりやすいです。

すでに Scanpy を使っている場合も必要ですか？

両方使いますが、役割は違います。Scanpy は標準的な前処理や探索的ワークフローに強く、scvi-tools は確率モデリング、潜在埋め込み、バッチ効果下の統合が必要なときに向いています。解析課題が学習済み生成モデルを必要としないなら、scvi-tools はやや過剰かもしれません。

初心者にも向いていますか？

counts 行列、バッチ、アノテーションといった基本的な single-cell 概念をすでに理解しているなら、初心者でも入りやすいです。このスキルは、データと目的を明確に指定できるほど役立ちます。統合、転移学習、差次的発現のどれが必要かまだ言えない段階なら、先にもっとシンプルな解析ルートから始めたほうがよいです。

どんなときに scvi-tools を使うべきではありませんか？

単純な正規化、素早いプロット、その場しのぎの探索確認に scvi-tools を持ち出すべきではありません。また、モデル選択の判断が不要な、純粋に統計手順だけのレシピを求める用途にも向きません。データセットが非常に小さい場合や、極端にカスタムなパイプラインでは、オーバーヘッドが利点を上回ることがあります。

scvi-tools スキルの改善方法

モデル選択の文脈を与える

品質を大きく上げるコツは、実際にどの種類の scvi-tools 課題を扱っているのかをスキルに伝えることです。データの説明を先にしてから、scVI、TOTALVI、MultiVI、その他のファミリーが必要かどうかを伝えてください。たとえば “paired CITE-seq with strong donor effects” のほうが、先に “use MultiVI” とだけ言うよりずっと有用です。

データ構造と制約を共有する

入力が良くなると、アッセイに合わないモデルを選んでしまう、という最もありがちな失敗を減らせます。行列の種類、細胞数、バッチ、共変量、counts が raw か normalized かを含めてください。Machine Learning 向けの scvi-tools ワークフローであれば、再利用可能な latent space がほしいのか、下流の classifier 特徴量がほしいのか、別モデルとの解釈可能な比較がしたいのかも伝えるとよいです。

実際に使える出力を求める

「analysis して」だけでは不十分です。学習計画、モデル選択の根拠、統合診断、ノートブック形式のワークフローのように、具体的な成果物を求めてください。最初の結果があいまいなら、足りなかった情報を追加して繰り返します。たとえば細胞種ラベル、バッチ定義、scanpy や別のベースラインと何を比較したいのかを補足すると改善しやすいです。