scPACE：用于单细胞转录组学中细胞演变的个性化自编码器

基于摘要分析。scPACE 面向队列规模单细胞转录组数据中细胞间与供体间变异的联合建模，提出层次化个性化变分自编码器，在学习细胞表征与状态的同时推断供体状态，并对供体中缺失的细胞类型进行带置信度估计的插补。 机制上，模型先学习细胞表征和细胞状态，再在各细胞类型内部聚合细胞信息，以推断供体状态。其主要研究对象是单细胞转录组中的多层级表型，而非 EEG 或 BCI 信号。摘要所述贡献在于以统一框架处理细胞级表示、供体级推断及缺失细胞类型问题；个性化机制、层次变量的具体定义、损失函数、训练与推理过程尚未验证。 作者报告，在模拟队列和发育期小鼠视觉皮层数据集上，scPACE 能准确恢复留出的细胞状态与供体状态，并实现高效的细胞类型插补和表征学习。摘要未提供具体指标、数值、对照方法或留出划分细节，因此无法据此判断性能提升幅度，也不能将“高效”解释为已量化的计算优势。 复现时需核对供体与细胞的划分单位、细胞类型缺失的构造方式、状态恢复的参照定义，以及插补置信度的评估方法。数据规模、实验协议、消融及统计信息尚未验证，代码与运行条件也未由所给材料确认。现有摘要不足以建立其机制与 EEG/BCI 瓶颈之间的具体对应关系，不能据此推断 BCI 有效性。