Le séquençage au bisulfite en cellule unique (scBS-seq) permet un profilage de la méthylation de l'ADN à haute résolution, mais se heurte aux défis de l'extrêmement faible densité des données (sparsity), du bruit technique et des effets de lot. Nous évaluons l'auto-encodeur variationnel à détermination automatique de pertinence (ARD-VAE), un modèle génératif profond probabiliste qui étend les VAE conventionnels en incorporant un a priori bayésien hiérarchique dicté par les données pour favoriser la parcimonie de l'espace latent. Cette approche facilite la sélection automatique de variables et une réduction de dimensionnalité robuste pour les données épigénétiques éparses. En utilisant des données scBS-seq de cerveau de souris, nous comparons l'ARD-VAE à MethylVI et aux pipelines standards sur des tâches clés : partitionnement cellulaire (clustering), imputation de données et correction d'effets de lot. Notre mise en œuvre démontre que l'ARD-VAE produit une meilleure précision de partitionnement et une intégration de lots plus efficace, tout en maintenant des performances d'imputation compétitives. Ce travail souligne le potentiel des a priori hiérarchiques dans les cadres génératifs profonds pour l'analyse intégrative en cellule unique.