TAPE使用编码器学习更高阶的潜在表示，利用解码器在自编码器的框架下实现输出的可解释性，并引入了一种名为自适应训练的新训练方案，以自适应地优化GEP组织。TAPE在细胞类型水平上具有较好的整体性能和相当的准确性，在对大量样本进行反卷积时可超快速推理。TAPE与以前方法的主要区别：

（1）高度准确和敏感的反卷积，以捕捉临床数据的生物学显著变化。

（2）组织适应性细胞类型特异性基因表达谱预测，以识别细胞类型水平的潜在基因表达差异。

TAPE代表了一个广泛适用的框架，可用于在细胞类型水平上破译组织的异质性，并为有监督的自动编码器执行域适应提供了一种实用的训练方案，将有助于研究单细胞数据与丰富的批量数据之间的联系。

信息来源：

https://www.nature.com/articles/s41467-022-34550-9