活细胞构成大量生物实体之间相互作用的复杂系统。基因、转录产物、蛋白质、代谢物和物种以时间和空间控制的方式进行细胞过程。通常,这些相互作用及其参数不能通过实验直接测量。2013年标志着单细胞测序被公认为最有希望解决复杂生物学研究问题的测序方法。从那时起,单细胞测序技术得到了进步,导致单细胞数据显著增加。然而,处理这些庞大而复杂的数据集的计算挑战增加了三倍。通常,单细胞测序技术需要设计一个建模方法,然后这些算法的适用性取决于用例,特别是问题的大小。一般来说,所有方法都受到生物测量中的噪声、与模型复杂性相关的稀缺数据以及非线性和组合行为的挑战。然而,所需的计算成本高的数值算法必须以计算有效的方式实现。通过将深度学习（DL）等人工智能（AI）方法与单细胞RNA测序（scRNA-seq）技术提供的生物数据相结合,可以揭示细胞的潜在结构并更准确地预测细胞的有效亚群。然而,在涉及生物因素和技术噪音时,这种有说服力的技术是微妙的。由于各种原因,单细胞数据分析可能是计算密集型的,例如在数据中输入缺失值、对其进行去噪、考虑数据的零膨胀（ZI）特性,以及最具挑战性的是降维。除了传统的机器学习（ML）方法之外,深度学习（DL）被认为是单细胞分析的一个有竞争力的选择。深度生成方法可以从组学数据中学习底层结构,例如路径或基因系统。我们对此类分析技术进行了介绍和概述,特别说明了它们在单细胞表达数据中的用法。具体来说,在论文中,提出了深度学习（DL）模型的统一数学公式;变分自编码器（VAE）、自编码器（AE）和生成对抗网络（GAN）,比较它们的训练步骤和策略及其损失函数,还将这些模型类型的损失函数与单细胞RNA-seq数据处理步骤中的特定对象相联系。深度生成模型通过有效封装基因对之间的非线性依赖关系,帮助学习高维多组学和单组学数据的结构;由于它们基于神经网络（NN）的结构块,它们通常难以解释。论文的描述风格将有助于为分析管道的每个级别选择合适的算法。对最近建立的模型和技术的全面调查将作为一个有用的信息门户,用于了解深度学习（DL）在scRNA-seq分析中的应用,并激发其在多领域新兴挑战任务中的应用-组学和单细胞测序领域。关键点:1.单细胞RNA测序技术生成数百万个转录组图谱,允许对隐藏的表达功能结构或细胞类型进行生物学研究,更准确地预测它们的效果或对治疗的反应,或利用亚群来弥补研究空白。2.本研究检查了当前基于深度学习（DL）的单细胞数据分析算法所面临的挑战及其在分析管道中的作用。3.每项技术都对所调查的深度学习（DL）模型进行了数学解释,并对模型的特殊属性进行了讨论。4.还对每种技术都提供了对评估措施、比较算法和数据集的全面概述。5.最后,我们使用单细胞表达数据证明了在实际应用中概述的策略的适用性。6.我们提出了一个基于深度学习的管道,用于使用自编码器进行降维的单细胞RNA-seq下游分析。