scFoundation

scFoundation#

✅ 状态： 就绪 | 版本： xTrimoGene

概述#

大规模非对称 Transformer（xTrimoGene），自定义 19264 基因词表，针对扰动/药物响应任务进行预训练

!!! tip “何时选择 scFoundation”

适用于需要扰动预测、药物响应建模，或使用 xTrimoGene 基因词表的场景

规格参数#

属性

值

模型

scFoundation

版本

xTrimoGene

任务

embed, integrate

模态

RNA

物种

human

基因 ID

custom (19,264 gene set)

嵌入维度

512

需要 GPU

是

最低显存

16 GB

推荐显存

32 GB

CPU 回退

否

适配器状态

✅ 就绪

快速开始#

import omicverse as ov

# 1. 查看模型规格
info = ov.fm.describe_model("scfoundation")

# 2. 分析您的数据
profile = ov.fm.profile_data("your_data.h5ad")

# 3. 验证兼容性
check = ov.fm.preprocess_validate("your_data.h5ad", "scfoundation", "embed")

# 4. 运行推理
result = ov.fm.run(
    task="embed",
    model_name="scfoundation",
    adata_path="your_data.h5ad",
    output_path="output_scfoundation.h5ad",
    device="auto",
)

# 5. 解读结果
metrics = ov.fm.interpret_results("output_scfoundation.h5ad", task="embed")

输入要求#

要求

详情

基因 ID 方案

custom (19,264 gene set)

预处理

将基因与模型词表对齐。遵循 xTrimoGene 预处理流程。

数据格式

AnnData (.h5ad)

批次键

用于批次整合的 .obs 列（可选）

输出键#

运行 ov.fm.run() 后，结果存储在 AnnData 对象中：

键

位置

描述

X_scfoundation

adata.obsm

细胞嵌入向量（512 维）

scfoundation_pred

adata.obs

预测的细胞类型标签

 
import scanpy as sc

adata = sc.read_h5ad("output_scfoundation.h5ad")
embeddings = adata.obsm["X_scfoundation"]  # shape: (n_cells, 512)

# 下游分析
sc.pp.neighbors(adata, use_rep="X_scfoundation")
sc.tl.umap(adata)
sc.tl.leiden(adata, resolution=0.5)
sc.pl.umap(adata, color=["leiden"])

参考资源#

动手教程#

如需包含代码的逐步演练，请参阅 scFoundation 教程笔记本。

目录