scCobra允许通过领域适应进行对比细胞嵌入学习，以实现单细胞数据集成和协调

单细胞技术的快速发展迫切需要有效的方法来集成和协调单细胞数据。研究之间的技术和生物学变异使数据集成变得复杂，而传统工具往往依赖基因表达分布假设并存在过度校正的问题。在这里，我们提出了scCobra，一个旨在通过领域适应的对比学习来克服这些挑战的深度生成神经网络。scCobra有效缓解了批次效应，最小化了过度校正，确保生物学意义的数据集成而不假设特定的基因表达分布。它允许在存在批次效应的数据集之间进行在线标签转移，实现新数据的连续集成而无需重新训练。此外，scCobra支持批次效应模拟、先进的多组学集成，以及对大数据集的可扩展处理。通过集成和协调来自相似研究的数据集，scCobra扩大了可用于研究特定生物学问题的数据，提高了跨研究的可比性，并揭示了在孤立数据集中可能被掩盖的见解。