BIB | 单细胞转录组细胞类型注释中计算方法的概述

Basic Information

• 英文标题：An overview of computational methods in single-cell transcriptomic cell type annotation Open Access
• 中文标题：单细胞转录组细胞类型注释中计算方法的概述
• 发表日期：10 May 2025
• 文章类型：Review
• 所属期刊：Briefings in Bioinformatics
• 文章作者：Na
• 文章链接：https://academic.oup.com/bib/article/26/3/bbaf207/8128431

Abstract

1. 单细胞RNA测序数据的快速积累为细胞类型注释提供了前所未有的计算资源，显著推进了我们对细胞异质性的理解。
2. 研究人员可以利用从转录组数据中获得的基因表达谱准确推断细胞类型，从而激发了许多创新性注释方法的发展。
3. 这些方法采用多种策略，包括标记基因、基于相关性的匹配以及监督学习，用于对细胞类型进行分类。
4. 在本综述中，我们基于转录组特异性的基因表达谱系统地考察了这些注释方法，并对这些方法进行了全面的比较和分类。
5. 此外，我们还重点关注了注释过程中的主要挑战，特别是由罕见细胞类型数据不平衡引发的长尾分布问题。
6. 我们讨论了深度学习技术在解决这些问题方面的潜力，并探讨了其在开放世界框架下增强模型识别新细胞类型能力的可能性。

Introduction

Para_01

1. 单细胞类型注释在生物医学领域的各个研究方向中发挥着前瞻性的重要作用[1, 2]。
2. 尽管传统的湿实验方法（如免疫组织化学和荧光激活细胞分选）是可靠的，但其漫长的开发周期和高昂的成本为单细胞注释研究带来了重大挑战[3, 4]。
3. 相比之下，单细胞RNA测序（scRNA-seq）技术[5]可以通过分析单个细胞中的mRNA水平，精确捕捉转录组中单细胞间基因表达的高度变异性[6, 7]（如图1A所示）。
4. 基于这些基因表达数据，计算方法可以有效识别并区分各种细胞类型和状态[8]，揭示它们在复杂组织中的特定功能[9]。
5. 这种计算方法为探索细胞群体异质性和实现精确注释提供了前所未有的潜力。

图片

图片说明

◉ 图1 单细胞注释的原理。（A）显示了从单细胞RNA测序（scRNA-seq）中提取的mRNA。作为细胞的转录产物，mRNA反映了基因表达的异质性，并为细胞类型注释和基因功能研究提供了重要信息。◉ （B）展示了单细胞类型注释的基本工作流程。首先从组织中提取细胞，然后进行单细胞测序以获得基因表达矩阵。◉ 接着选择高方差基因进行特征选择。◉ 随后，使用注释模型预测细胞类型，最后通过T-SNE等降维算法对注释结果进行可视化展示。◉ （C）展示了单细胞类型注释在多个领域的应用，包括肿瘤免疫微环境中的靶向治疗策略、发育生物学中的细胞发育轨迹重建、免疫学中的免疫细胞激活状态追踪以及精准医学中的药物干预响应预测。

Para_02

1. 近年来，计算注释方法在广泛的基因表达谱数据集中表现出很高的准确性，显著提高了注释过程的效率和可靠性（过程如图1B所示）。
2. 根据转录组基因表达数据的具体应用，当前的计算方法通常可以分为四类。
3. （i）基于特定基因表达的方法利用已知标记基因的信息，通过识别特定细胞类型的特征基因表达模式来手动标注细胞。
4. （ii）基于参考相关性的方法根据未知细胞与预先构建的参考库中基因表达模式的相似性，将其归类为相应的已知细胞类型。
5. （iii）数据驱动的参考方法通过在预先标注的细胞类型数据集上训练分类模型来预测细胞类型。
6. （iv）基于大规模预训练的方法通过大规模无监督学习研究通用细胞特征和基因表达模式，从而捕捉细胞类型之间的深层关系。

Para_03

1. 几篇重要的综述系统地探讨了用于单细胞类型注释建模的计算方法的发展和应用。
2. Pasquini 等人[18]深入分析了单细胞RNA测序（scRNA-seq）数据的早期注释方法，重点讨论了自动化注释策略的演变过程，包括标记基因数据库、相关性分析和监督分类方法，以及它们在细胞类型识别中的应用。
3. Pasquini 等人[18]所综述的方法为单细胞数据分析奠定了基础框架，为后续方法的改进提供了理论和技术支持。
4. 同样地，Cheng 等人[19]全面总结了基于基因特征的注释方法、特征数据库的应用，以及监督学习在自动细胞类型注释中的关键作用。
5. 他们的讨论涵盖了通过标记基因数据库和评分方法提高注释准确性的技术，以及监督学习在特征选择中的应用，以优化模型性能并增强可解释性。
6. 这些综述从自动化注释策略和模型应用的角度，概述了单细胞类型注释的研究现状。
7. 然而，它们主要关注早期方法的框架和应用，对新兴的深度学习模型讨论较少，特别是在应对长尾分布[20]、开放世界数据[21]和多组学数据整合[22]方面的挑战。
8. 因此，迫切需要整合最新的单细胞类型注释计算方法，深入探讨当前领域面临的关键挑战，并提出潜在的解决方案。

Para_04

1. 在本研究中，我们提供了全面的综述，以帮助更好地理解如何基于转录组基因特征来预测单细胞类型，从而支持后续的单细胞分析（如图1C所示）。
2. 首先，我们介绍了现有的用于单细胞类型注释的计算方法，概述了每种方法适用的具体场景，并总结了它们的主要局限性。
3. 随后，我们概述了用于单细胞类型注释的生物数据库以及单细胞RNA测序（scRNA-seq）数据的处理流程。
4. 在此基础上，我们探讨了当前研究面临的关键挑战，并提出了推动单细胞类型注释研究的潜在方向和机遇。

Characteristics and challenges of single-cell transcriptomic data

Para_05

1. 大规模单细胞转录组数据的积累为细胞类型注释方法的快速发展奠定了基础
2. 诸如PanglaoDB和CellMarker之类的标记基因数据库在早期阶段通过协助识别已知细胞类型发挥了关键作用
3. 然而，随着研究的进展，单细胞基因表达谱因其对细胞异质性的全面描绘，逐渐成为注释模型的核心要素
4. 标记基因与基因表达谱的结合不断推动着注释技术的发展
5. 表1总结了常用的公共数据库，这些数据库为单细胞领域的创新和未来探索提供了重要支持

- 图片说明

◉ 表1 细胞和转录组研究的综合数据库

image

image

Impact of sequencing platforms on cell type annotation

测序平台对细胞类型注释的影响

Para_06

1. scRNA-seq的快速进步为解析细胞异质性、状态转换及其在复杂生物过程中的作用提供了强有力的工具。
2. 其核心在于从单个细胞中提取mRNA，并将其反转录为cDNA，再通过高通量测序获得单细胞的基因表达谱。
3. 与传统的群体细胞RNA测序（bulk RNA-seq）相比，scRNA-seq能够在单细胞水平上解析基因表达的细微差异，从而精确地鉴定细胞类型、发育状态以及特定生物过程中的动态变化。
4. 这一高分辨率测序技术在肿瘤微环境、免疫细胞群体和发育生物学等领域中发挥了关键作用。

Para_07

1. 尽管单细胞RNA测序（scRNA-seq）技术取得了显著进步，提高了细胞类型注释的能力，但不同测序平台之间的差异对注释结果产生了深远影响。
2. 不同的平台，例如10x Genomics和Smart-seq，由于其测序原理的不同，表现出截然不同的数据特征。
3. 例如，10x Genomics依赖基于微滴封装的技术进行高通量测序，能够快速分析大规模细胞群体，但通常导致数据稀疏性较高。
4. 相比之下，Smart-seq采用全转录组扩增策略，具有更高的灵敏度，可以检测到更多基因，有助于识别低丰度转录本。
5. 然而，这些技术差异加剧了scRNA-seq中的几个关键挑战：数据稀疏性、异质性和批次效应。
6. 在跨平台应用中，这些因素常常导致注释性能不一致。

Para_08

1. 具体而言，10x Genomics平台较低的基因检出率可能会阻碍模型捕捉稀有细胞类型关键标记基因的能力。
2. 而能够检测更多基因的Smart-seq平台则可能揭示出更加精细的细胞亚群。
3. 这些细胞亚群可能超出了预训练模型的分类能力。
4. 此外，测序深度、引物偏差等因素的差异常常会导致不同平台之间出现显著的批次效应，从而影响基因表达谱的可比性。
5. 如果没有有效的预处理策略，例如批次校正或跨平台标准化，这些系统性偏差会直接影响模型的泛化能力。
6. 总体而言，这些问题导致了现有注释模型在多样化数据环境中的稳定性下降，成为单细胞RNA测序（scRNA-seq）数据分析中的核心挑战之一。

Dynamic updates and sustainability of marker gene

标记基因的动态更新与可持续性

Para_09

1. 标志基因在单细胞研究中起着核心作用，它们的特异性表达显著提高了细胞类型注释和功能分析的准确性。
2. 例如，CD133作为一种干细胞标志物，被广泛应用于干细胞鉴定和行为研究。
3. 而CD3和CD19分别是T细胞和B细胞的经典标志物，构成了免疫细胞分类和功能分析的基础。
4. 这些标志基因通过稳定且特异的表达，为研究人员提供了快速且可靠的复杂细胞群体分析手段。
5. 然而，现有的标志基因数据库（如CancerSEA、CellMarker 2.0和PanglaoDB）存在显著的局限性，包括某些标志基因的缺失、数据过时以及样本间缺乏一致性。
6. 这些缺陷限制了它们在处理新型细胞类型或稀有细胞群体时的表现。

Para_10

1. 近年来，深度学习技术的引入，例如Transformer模型的自注意力机制[45]，在基因选择和特征发现方面表现出显著优势。
2. 例如，SCTrans[46]等方法利用注意力机制捕捉基因表达谱中经常被关注的基因组合，识别与标记基因数据库高度一致的特定基因，并拓展了对先前未知细胞类型的理解。
3. 这种方法不仅弥补了标记基因数据库的不足，还为在开放世界背景下发现新的标记基因提供了有力工具。
4. 未来，将深度学习模型的自动特征选择能力与专家的生物学验证相结合，可以动态更新标记基因数据库，从而不断提高其在单细胞注释中的实用性与准确性。
5. 这一方向将为识别未知细胞类型和分析复杂的细胞异质性提供重要支持。

Data preprocessing before annotation

标注前的数据预处理

Para_11

1. 单细胞数据分析中的预处理流程是确保细胞类型注释准确性的基础。
2. 首先，通过评估检测到的基因数量、总分子数以及线粒体基因表达比例等指标进行质量控制（QC），从而消除低质量细胞和技术干扰。
3. 数据过滤进一步通过去除双细胞或高噪声细胞等噪声样本，提高数据质量。
4. 接下来，标准化去除了技术偏差，确保不同细胞间的基因表达水平具有可比性，从而支持注释模型的跨样本分析。
5. 最后，特征选择识别高度可变基因（HVGs），突出与细胞类型特异性相关的基因表达信号，并为模型捕捉生物异质性提供关键输入。
6. 图2展示了这一系统化的预处理工作流程，强调了每一步在提升单细胞注释准确性中的关键作用。

图片

图片说明

◉ 图2 单细胞类型注释的数据预处理流程。样本数据经过质量控制，以识别并去除表达量较低的细胞或其他需要排除的细胞。◉ 随后，对剩余的细胞数据进行对数标准化，并根据任务需求选取特定数量的高变基因，完成数据预处理的核心步骤。

Batch effect correction methods

批次效应校正方法

Para_12

1. scRNA-seq数据的稀疏性主要源于技术噪声（如mRNA捕获效率低）和生物学因素（包括低丰度转录本的缺失）。
2. 这导致基因表达矩阵中存在大量零值，干扰了稀有细胞类型的识别，并削弱了基因共表达网络构建的准确性。
3. 为了解决这一问题，研究人员提出了多层次的解决方案。
4. SCTransform通过建模基因表达的均值-方差关系来校正技术偏差，有效降低了测序深度对数据质量的影响。
5. 判别成分分析（DCA）利用细胞间表达相似性来填补缺失值，从而改善稀有细胞类型的检测。
6. 此外，像PHATE这样的降维方法增强了数据的拓扑结构，优化了细胞轨迹推断。

Para_13

1. 除了稀疏性之外，scRNA-seq数据中的高度异质性和批次效应带来了根本性的分析挑战。
2. 测序平台之间的差异，例如基于液滴的10x Genomics和全转录组的Smart-seq，引入了显著的平台特异性变异，加剧了数据的异质性。
3. 实验批次、样本来源和测序深度的进一步差异会导致批次效应，从而使来自不同实验的scRNA-seq数据集的直接整合变得复杂。

Para_14

1. 为了解决这些挑战，研究人员开发了多种跨批次整合策略。
2. 互近邻（Mutual nearest neighbors，MNN）[54]通过在数据集之间配对细胞来构建线性映射模型，以消除非线性偏移，因此对于小规模的批次差异特别有效。
3. Harmony [55]应用迭代软聚类和潜在空间对齐方法，在去除系统性技术偏差的同时保留具有生物学意义的变异。
4. Seurat [56]整合工具利用典型相关分析（CCA）来识别全数据集的锚点，并采用共享最近邻（SNN）图来实现对高维稀疏数据的稳健整合[57]。

Para_15

1. 实验结果表明，将这些方法结合使用，例如在通过Harmony整合数据之前应用SCTransform进行标准化，可以显著提高数据保留效果，增强下游聚类的分辨率，并有效缓解不同平台间的批次偏移。
2. 然而，过度的填补可能会引入虚假的关联，这强调了采用交叉验证策略（例如保留一个基因验证集）的重要性，以在数据完整性与生物学真实性之间取得平衡。

Methods of single-cell type annotation

Para_16

1. 单细胞类型注释在揭示细胞异质性和推进单细胞分析方面发挥着关键作用。
2. 随着计算方法的不断发展，注释方法也呈现出多样化，从而形成了几种主要的策略。
3. 目前，这些方法可以分为四大类。
4. 在接下来的章节中，我们将详细讨论每种类别中的代表性模型，分析它们所解决的具体问题、适用的场景以及各自的优缺点。
5. 此外，我们将这四种方法归纳为图3所示的两种注释工作流程：一种依赖特定基因数据库作为辅助资源，另一种则利用先前已注释的细胞类型样本作为参考。

图片

图片说明

◉ 图3 单细胞类型注释方法的流程图。该图表描述了两种主要的工作流程：一种使用特定基因数据库，另一种参考已注释的细胞类型样本。◉ 基于特定基因的方法对细胞进行聚类，并使用标记基因进行注释，而基于参考的方法通过相关性或数据驱动模型将细胞数据与参考数据库进行匹配。◉ 结果通过t-SNE等降维技术进行可视化展示。

Methods based on specific gene expression

基于特定基因表达的方法

Para_17

1. 在单细胞转录组学中，特定基因标记被分为标记基因和基因特征两类。
2. 因此，基于特定基因表达的细胞注释方法可以分为两种不同的方法。
3. 标记基因方法依赖于某一特定细胞类型中单个基因的特异性表达，通常用于快速区分定义明确的细胞类型。
4. 相比之下，基因特征方法识别在给定细胞类型中共表达的一组基因，从而更全面地表征细胞特征。
5. 这种方法对于识别细胞亚型和低丰度细胞群体尤其具有优势。
6. 这些方法的标准示意图如图4所示。
7. 表2及后续章节对这些技术进行了详细概述。

- 图片说明

◉ 表2 基于特定基因表达的单细胞类型注释方法的技术，包括其关键算法、编程语言以及特征和输入特性。

image

image

图片说明

◉ 图4 基于特定基因表达的注释方法的基本工作流程。首先使用聚类算法对细胞样本进行聚类，然后通过从生物标志物数据库中查询差异表达基因来确定每个聚类中的特定细胞类型。

Marker gene-based methods

基于标记基因的方法

Para_18

1. 基于标记基因的细胞注释方法通常将未标记数据与部分标注信息结合，以应对数据集的复杂性。
2. 这些方法利用基因表达模式进行精确的细胞类型识别，但在复杂的细胞群体中面临挑战，尤其是在细胞亚型差异极小或数据噪声较高的情况下[2, 67]。
3. 在开放世界环境下，当出现缺乏标记基因的新细胞类型时，传统方法的识别准确性会下降[68]。
4. 具有长尾分布的稀有细胞类型也容易在注释过程中被忽略。

Para_19

1. 为应对这些挑战，近年来涌现出一系列改进的方法，这些方法可以分为基于聚类的方法（例如 Seurat [69]）和基于概率模型的方法 [70, 71]，后者包括 CellAssign [14] 和 scSorter [68]。
2. 其中，Seurat 是一种基于聚类和标记基因注释细胞类型的方法，仍然是最可靠的方法之一。
3. Seurat 首先对单细胞数据进行标准化并进行降维处理（例如 PCA、UMAP），然后进行聚类分析以对细胞进行分组。
4. 接着，它通过差异表达分析识别每个聚类的标记基因，并将其与已知的标记基因进行比对。
5. 通过整合先验的生物学知识，Seurat 最终为每个聚类分配细胞类型。
6. CellAssign 结合了贝叶斯概率模型和期望最大化（EM）算法 [72]，基于预定义的一组标记基因计算每个细胞属于不同细胞类型的后验概率，从而实现细胞类型的分配。
7. 此外，它还支持一个“未分配”状态 [73]，使模型能够识别可能未包含在预定义标记基因列表中的新细胞类型，因此适用于大规模且复杂的数据集。
8. 然而，当缺少标记基因、表达噪声较高，或者处理稀有且之前未见过的细胞类型时，其性能可能会受到限制。
9. scSorter 构建了一个半监督分类框架，利用标记基因和非标记基因的表达信息来增强分类的鲁棒性。
10. 在保持标记基因指导的同时，scSorter 还结合了来自非标记基因的辅助信息，提升了细胞分类的能力。
11. 特别是当标记基因表达较低或数据稀疏性较高时，scSorter 仍能有效捕捉细胞类型的特征，并增强对低表达标记基因的识别能力。

Para_20

1. 尽管这些方法推进了复杂的细胞类型注释，但在应对开放世界环境中的新细胞类型、罕见细胞类型以及标记基因不完整所带来的挑战方面，仍需进一步改进。未来的研究可能会集中在扩展标记基因数据库以及开发更加稳健的算法来解决这些问题。

Gene signature-based methods

基于基因特征的方法

Para_21

1. 基因特征（gene signature）细胞注释方法是传统标记基因方法的一种发展，旨在克服依赖单一特定基因所带来的局限性。
2. 通过整合一组共表达的基因，基因特征方法提供了更全面的细胞特征描述，使得对复杂细胞类型及其亚型的注释更加准确。
3. SCINA 和 CellID 是这一领域的代表性策略示例。
4. SCINA 使用一种半监督算法，将基因特征与 EM 算法相结合，有效增强了对独特细胞特征的检测能力，并在低丰度细胞类型的注释中表现出色。
5. 另一方面，CellID 则采用多重对应分析（MCA）进行降维处理，保留了基因表达模式的多样性，在不同实验条件和参数设置下实现了更高的稳定性和一致性，这对于跨数据集分析尤为重要。
6. 尽管增强的基因特征检测提升了注释准确性，基因特征方法仍然面临关键挑战。
7. 一方面，在识别具有长尾分布的稀有细胞类型时，基因表达异质性可能限制其性能。
8. 在缺乏已知基因组合的真实开放世界场景中，基因特征方法与传统标记基因方法类似，在识别未知细胞类型方面表现出有限的适应性。
9. 总体而言，未来的研究应聚焦于解决数据异质性问题以优化这些方法，从而开发出更精确且适用范围更广的注释策略。

Methods based on reference and correlation analysis

基于参考和相关性分析的方法

Para_22

1. 基于相关性的参考方法通过评估目标细胞与已知参考数据集之间的基因表达相似性来推断细胞类型（见表3）。
2. 这些方法通常分为两种策略：单细胞相似性分析和质心相似性分析。
3. 前者适用于高分辨率的单细胞注释，而后者更适合大规模细胞群体分析。
4. 常见的相似性度量包括皮尔逊相关系数、斯皮尔曼等级相关系数和余弦相似度，它们能够精确量化细胞间表达谱的相似性。
5. 图5直观地展示了基于相关性的参考注释方法的基本工作流程。

- 图片说明

◉ 表3 基于相关方法的单细胞类型注释模型的技术，包括其方法、编程语言和关键描述。

image

image

图片说明

◉ 图5 利用相关性进行基于参考的注释方法的基本工作流程。该过程首先在待注释的查询细胞与参考细胞样本之间建立相关性关系。◉ 随后选择最相似的参考细胞作为确定查询细胞类型的基础。◉ 该工作流程进一步扩展，以注释所有的查询细胞样本。

Para_23

1. 早期基于相关性的参考工具如scmap[11]使用K近邻（KNN）[83]算法来匹配细胞类型，并基于相似性度量进行注释。
2. 然而，在处理复杂且高度异质的肿瘤样本时，这些方法面临较大的不确定性。
3. 为了解决这一局限性，研究人员开发了改进的工具。
4. 例如，CHETAH[10]采用分层分类树逐步匹配细胞类型，增强了其分析高异质性样本的能力，特别是在肿瘤分类方面。
5. 另一方面，Cell BLAST[84]引入生成对抗网络（GANs）[85]，动态调整模型以适应新数据，在多来源数据整合场景中表现出强大的适应能力。
6. scMatch[86]则通过计算与大型参考数据集（如FANTOM5[87]）之间的基因表达相似性，解决低覆盖度scRNA-seq数据的注释难题，从而提高了对高维稀疏数据的鲁棒性。

Para_24

1. 尽管这些方法相较于传统的依赖标记基因的模型有了显著改进，避免了过度依赖数据库的局限性，并在多源数据整合和高异质性数据分类方面取得了进展，但它们仍然面临一些挑战。
2. 具体而言，当前方法的泛化能力仍然不足，尤其是在处理跨测序标准和物种的数据时存在的批次效应。
3. 因此，未来的研究可以侧重于引入持续学习的概念，扩展可用的单细胞转录组测序参考数据集，并增强基于相关性的参考方法的泛化能力和持续学习能力。

Methods based on data-driven references

基于数据驱动参考的方法

Para_25

1. 数据驱动的方法利用大量数据集，使机器学习模型能够自动提取用于细胞类型注释的特征。
2. 与基于特定基因表达和相关性的参考方法相比，数据驱动的方法具有更强的灵活性，能够自主发现数据中的复杂模式。
3. 这种适应性有效解决了传统方法在捕捉细胞多样性与复杂性方面的局限性。
4. 传统方法严重依赖手动选择的标记基因或预定义的参考集，难以全面表征高维数据，常常遗漏稀有细胞类型。
5. 相比之下，数据驱动方法通过深度特征提取，在注释准确性和泛化能力方面实现了显著提升。
6. 图6展示了这些方法的基本实现流程，而表4则列出了不同实现策略下这些方法的优势与适用性。

- 图片说明

◉ 表4 基于数据驱动参考方法的单细胞类型注释模型的技术，包括其方法、编程语言、特征和学习类型。

image

image

图片说明

◉ 图6 基于数据驱动的参考方法的基本工作流程。首先，将带有良好注释标签的参考数据输入神经网络模型进行训练，使模型能够在监督学习框架下学习根据基因表达差异来识别细胞类型。◉ 接下来，将查询的细胞数据输入训练好的神经网络模型，以实现对细胞类型的精确注释。

Para_26

1. 在单细胞注释研究的早期阶段，传统的机器学习方法，如支持向量机（SVM）[94]和随机森林（RF）[95]被广泛应用于该领域。
2. 例如，代表性方法如scPred [96]和SingleCellNet [97]分别利用SVM和RF分类器来分析基因表达数据。
3. 与基于标记基因和相关性的方法相比，这些机器学习策略表现出更高的灵活性和效率。
4. 通过利用监督学习从已注释的数据中提取特征，这些方法在一定程度上有效地减轻了基因表达数据中的噪声和稀疏性，在早期单细胞数据集上表现出良好的性能。
5. 然而，它们处理数据稀疏性的能力在很大程度上依赖于特征工程，特别是高度可变基因（HVGs）的选择。
6. 2017年，McCarthy等人[98]提出了一种标准的HVG选择流程，该流程保留了在细胞间变异系数最高的基因，通常占所有基因的10%–20%。
7. 这种方法有效地过滤掉了低信息位点，将RF分类器的特征维度减少了80%–90%，同时在归一化数据集上保持了超过90%的分类准确率[99]。
8. 这一策略后来被深度学习方法所采用，例如单细胞变分推断（scVI）[100]，其中编码器优先处理HVG子集。
9. 尽管HVG选择缓解了某些稀疏性问题，但单细胞测序通量的不断增加又带来了新的挑战，尤其是在跨平台数据整合中出现的零膨胀问题。
10. 例如，在T细胞亚型分类中，在来自10x Genomics和Smart-seq2平台的混合数据集上训练时，SVM的召回率下降了15%–22%[101]。
11. 此外，这些方法在批次效应校正、适应跨数据集分布偏移以及识别罕见细胞类型方面逐渐暴露出局限性。

Para_27

1. 为了克服这些挑战，深度学习的出现推动了单细胞类型注释领域的重大进展。
2. 深度学习能够实现自动特征提取，弥补了传统机器学习方法在批次效应控制和泛化能力方面的不足。
3. 例如，scDeepSort[102]采用加权图神经网络来处理复杂的数据间关系，显著提高了注释准确性，且无需额外的参考数据。
4. 同样，scSemiCluster[103]利用半监督学习和结构相似性正则化，进一步缓解了批次效应问题，并提升了对多样化数据集的适应能力。
5. 然而，尽管深度学习在提升泛化性能方面取得了进展，但在捕捉长尾分布中的稀有细胞类型方面仍面临挑战[104]。
6. 这些模型往往倾向于关注数据中的主流特征，而对稀有类型的特征表达关注有限。

Para_28

1. 为解决这一问题，Transformer [45] 模型逐渐进入了单细胞注释领域，提供了应对长尾分布中稀有细胞类型挑战的新策略。
2. Transformer 的自注意力机制使其能够灵活地关注数据中的关键特征，这使它们特别适合捕捉稀有细胞类型的特征表达。
3. 例如，mtANN [16] 和 TOSICA [13] 将自注意力机制与多基因选择策略相结合，显著提高了对稀有细胞类型的识别能力。
4. scTransSort [105] 进一步优化了稀疏数据的处理，使模型能够提取更全面的特征表示，从而提高了注释效率和鲁棒性。
5. 此外，CIForm [106] 引入了“块（patch）”的概念，有效降低了计算复杂度，从而为大规模单细胞数据分析提供了新方法。
6. 总体而言，Transformer 架构不仅增强了对长尾分布的识别能力，也提升了细胞注释任务的准确性。

Para_29

1. 除了长尾分布问题之外，单细胞注释还面临在开放世界环境中识别未知细胞类型的挑战。
2. 为应对这一挑战，研究人员正在探索半监督和无监督学习策略。
3. scGAD 使用 K-means 聚类来概括潜在的未知细胞类型，使模型能够区分新的细胞类型，而不仅仅是将它们标记为‘未分配’。
4. 此外，scArches 结合变分自编码器（VAE）与迁移学习，生成跨平台的参考图谱，进一步增强模型在不同数据平台间的泛化能力。
5. 另外，scPOT 采用最优传输（OT）框架，以精确注释并识别未知细胞类型，为开放集合中的罕见细胞类型识别提供了创新性的解决方案。

Para_30

1. 同时，数据驱动的方法在应用于未见过的或外部数据集时通常表现出有限的灵活性。
2. 这些方法容易对训练数据过拟合，使得在新数据集上保持稳定且高性能的表现变得困难。
3. 相比之下，基于标记基因或基因特征的无监督方法在处理新数据时通常表现出更强的鲁棒性和适应性。
4. 随着持续学习被引入单细胞领域，scEvolve[113]成为首个实现单细胞增量学习的模型[114]，并通过数据回放改善预测的泛化能力。
5. 在一系列严格整理的基准数据集上的广泛评估结果一致表明，scEvolve可以在长时间内持续整合来自不同批次和测序平台的scRNA-seq数据，并有效识别多种组织中的不同细胞类型。
6. 此外，它降低了数据驱动方法固有的过拟合风险和泛化能力限制，同时在纳入新数据集时缓解了灾难性遗忘问题。
7. 因此，持续学习为推进数据驱动方法提供了有前景的途径，促进了更高的灵活性和更优的泛化能力。

Para_31

1. 尽管在注释准确性和泛化性方面取得了显著改进，但数据驱动方法对数据质量的依赖仍然存在信息丢失的风险。
2. 未来的研究方向包括整合多组学数据以弥补信息缺口，利用自监督学习方法[115]以最大化未标记数据的效用，应用知识蒸馏技术[116]促进跨模型的知识迁移，并采用持续学习方法以增强模型对新数据的适应能力。
3. 这些进展旨在为单细胞注释提供更丰富的上下文信息，进一步提升模型的适应性和准确性，并为细胞类型识别提供更全面和灵活的解决方案。

Methods based on large-scale pretraining

基于大规模预训练的方法

Para_32

1. 为了解决传统机器学习方法中普遍存在的信息丢失问题，大规模预训练方法已成为一种有效的解决方案。
2. 这些方法利用自监督学习，从大量未标记数据中提取潜在的基因表达模式和细胞特征，有效减少了高维数据处理过程中通常遇到的信息丢失问题。
3. 通过在不需要人工标注的情况下捕捉数据中的复杂关系和潜在结构，自监督学习不仅弥补了缺失信息，还显著提升了模型的泛化能力，使得更广泛范围内的复杂细胞特征得以识别（详见表5）。
4. 该方法的基本工作流程如图7所示。

- 图片说明

◉ 表5 基于大规模预训练方法的单细胞类型注释模型的技术，包括其方法、编程语言、参数规模、输入模态、多任务能力和可解释性。

image

image

图片说明

◉ 图7 大规模预训练方法的基本工作流程。该方法首先从大规模未标记的单细胞样本中提取scRNA-seq数据，作为全面的特征基础。◉ 通过使用基因嵌入（gene embeddings），在自监督学习框架中采用编码-解码策略来重建scRNA-seq数据，同时预训练一个Transformer编码器作为深度特征提取模型。◉ 然后，在数据驱动的有监督学习范式下，将预训练模型应用于细胞类型注释任务。

Para_33

1. 近年来，一些用于单细胞注释的大型预训练模型，例如 scBERT [17]、scGPT [133] 和 scFoundation [134]，取得了显著进展。
2. 通过自监督学习，这些模型从大规模未标记数据中提取基因表达模式和细胞特征，有效克服了传统方法在信息丢失方面的局限性。
3. 这些方法的一个主要优势在于它们依赖大量未标记数据进行预训练 [136]，从而使模型能够自动捕捉数据中的深层结构并学习更复杂的细胞特征。
4. 这样就提升了细胞类型识别能力，并避免了因数据高维性或标注有限所导致的信息丢失。
5. 此外，研究表明更大的模型参数通常能带来更好的性能表现，因为增加的模型容量可以支持更丰富的特征提取。
6. 此外，大规模预训练模型展现出强大的可迁移性，在各类任务和数据集中表现出良好的鲁棒性和适应性，从而推动了单细胞注释领域的发展。

Para_34

1. 尽管大规模预训练方法在提高标注准确性和泛化能力方面取得了显著进展，但它们仍然面临一些挑战。
2. 首先，这些方法需要高质量的数据和大量的计算资源，尤其是在处理大规模数据集时。
3. 其次，当应用于高度异质性或有噪声的数据时，特别是在不同的生物条件和实验平台之间，其泛化能力仍然有限。
4. 此外，随着模型参数的扩展，计算和存储成本显著增加，限制了其实用性。
5. 为了解决这些问题，scRobust引入了一些策略，例如随机基因子集预训练、多任务协同优化、高度独特的基因驱动动态输入机制以及轻量级模型架构。
6. 这些创新有效地缓解了传统自监督方法对数据质量敏感、计算需求过高以及跨平台泛化能力有限的问题，为单细胞分析提供了一种高效且稳健的解决方案。
7. 虽然大规模预训练利用自监督学习从未标记的数据中提取深层基因表达模式，减少了数据驱动方法中的信息损失，但其在数据质量、计算效率和跨数据集泛化方面的局限性仍未得到解决。

Experimental evaluation of single-cell annotation

Evaluation metrics

评估指标

Para_35

1. 单细胞注释模型的性能通常根据其在测试数据上的表现进行评估，以衡量模型对新数据的适用性。
2. 交叉验证（CV）是模型评估中常用的方法，其中数据被划分为训练集和测试集。
3. 训练数据用于模型学习，而测试数据用于评估模型的性能。
4. K折交叉验证是一种流行的方法，该方法将数据集分成K个相等的部分。
5. 每次选择其中一个部分作为测试集，其余的K−1个部分作为训练集。
6. 这个过程重复K次，每个子集依次用作测试集，最终取K次测试的平均结果作为模型的评估得分。
7. 为了在计算效率和评估质量之间取得平衡，K通常选择为5或10。

Para_36

1. 在单细胞类型分类任务中，分类性能可以使用多种评估指标来衡量，其中大多数指标基于包含四个关键要素的“混淆矩阵”：真正例（TP）、假正例（FP）、真反例（TN）和假反例（FN）。
2. 基于这些数值，可以计算出诸如准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数（F1-score）等关键性能指标。
3. 这些计算的公式如下：

Performance evaluation

绩效评估

Para_37

1. 在评估各种单细胞注释方法的性能时，我们采用了Lin等人报告的基准结果，并对这些方法在多个数据集上的表现进行了综合分析。
2. 图8展示了它们在准确性和F1分数方面的性能对比。
3. 结果表明，基于深度学习的方法（如SCTrans和scBERT）表现出明显优势，在不同数据集中始终展现出优异的性能，并具有出色的泛化能力。
4. 相比之下，传统方法（包括Seurat和基于基因特征的CellID）在性能上表现出更大的不稳定性，尤其是在跨数据集场景下的适应能力较弱。

图片

图片说明

◉ 图8 不同单细胞注释方法在多个数据集上的注释性能比较。该图展示了九种方法在七个基准数据集上的性能评估柱状图，其中柱子越高表示方法的性能越好。

Para_38

1. 图9中的箱线图进一步阐明了这一趋势，表明深度学习模型在不同数据集之间表现出更高的稳定性，而传统方法则显示出更大的波动性。总体而言，在多个数据集上的鲁棒性和泛化能力方面，深度学习方法优于传统的计算方法，后者在某些数据集上展现出一定优势，但整体稳定性不足。

图片

图片说明

◉ 图9 不同单细胞注释方法在多个数据集中的稳定性比较。该图使用箱线图展示了每种方法在不同基准数据集中的稳定性表现。箱线图中上下四分位数之间的位置越高且范围越小，表明该方法的稳定性越好。

Challenges and opportunities

Para_39

1. 尽管在单细胞类型注释方面取得了显著进展，但仍存在一些亟待解决的挑战，主要包括数据集中长尾分布的问题、对未见过的细胞类型的泛化能力，以及使用现有模型对新测序数据集进行有效注释的能力。

Enhancing single-cell annotation with multi-source data perception

通过多源数据感知增强单细胞注释

Para_40

1. 在单细胞类型注释中，传统的单组学方法由于仅依赖单一数据来源，通常难以全面捕捉细胞的复杂特征。
2. 例如，scRNA-seq 数据可以揭示细胞的转录特征，但缺乏其他重要方面的信息，如染色质可及性和蛋白质表达水平。
3. 这种局限性导致注释结果不够准确，尤其是对于稀有细胞类型或亚型，特别是在高度异质性的组织中更为明显。

Para_41

1. 为了克服这些局限性，多源感知的概念提倡整合多种组学数据，从而从多个层面扩展模型对细胞特征的理解。
2. 通过利用各种组学数据来源的互补优势，模型可以捕捉它们之间的关联，从而为细胞注释提供更全面的视角。
3. 目前，诸如scJoint和TotalVI等方法在这一领域已取得进展。
4. 例如，scJoint将scRNA-seq数据与利用测序技术进行转座酶可及染色质分析的单细胞数据（scATAC-seq）整合到一个共享的潜在空间中，促进了不同组学数据的结合。
5. TotalVI基于变分自编码器模型，整合了转录组学和蛋白质组学数据，减少了来自不同组学技术差异带来的偏差。
6. 然而，在高维、稀疏的多组学数据中构建稳健的潜在空间，并确保有效保留所有组学的特征，仍是多源感知面临的主要挑战。

Para_42

1. 值得注意的是，已有研究系统地证明，多组学整合可以显著提升稀有细胞的注释性能。
2. 例如，结合转录组和蛋白质组数据的CITE-seq技术成功识别了之前单组学方法遗漏的不到0.5%的循环NK细胞[147]。
3. 同样，在整合转录组和表观基因组数据后，MOFA+框架将2%内分泌前体细胞的聚类纯度从68%提高到了92%[148]。
4. 在合成数据测试中，相比单组学方法，多组学方法将占比1%的稀有细胞的召回率提高了27%[149]。
5. 多模态整合在识别低丰度细胞群体（<5%）方面也表现出统计学上的显著优势[57]。
6. 这些发现表明，多源感知不仅扩展了特征空间，还通过不同组学层之间的信号交叉验证增强了稀有细胞的分辨能力。

Para_43

1. 为了进一步提升多源感知在单细胞注释中的应用，可以引入自监督学习[115]和知识蒸馏[116]等策略，以增强模型对多组学特征的深入理解。
2. 例如，可以在潜在空间中模拟多源感知过程，使模型能够自适应地从每一组学层中学习细胞类型的核心特征，从而在整合过程中保留每一套组学数据的独特信息。
3. 此外，评估跨数据集的泛化能力可以提高多组学方法在不同实验条件和技术平台下的适应性，最终提升注释的准确性与鲁棒性。
4. 此类改进将有助于多源感知方法在识别异质样本和罕见细胞类型方面表现出更优异的性能。

Long-tail distribution and optimization strategies for rare cell type recognition

长尾分布及稀有细胞类型识别的优化策略

Para_44

1. 在单细胞类型注释中，长尾问题是一个重大挑战，它指的是数据集中罕见细胞类型的样本量相对有限，从而降低了模型对这些类型的识别准确性。
2. 这种数据不平衡不仅影响模型的泛化能力，还可能导致重要生物学信息的丢失。
3. 为了解决这一挑战，scNAME 使用一种加权软K均值聚类算法，将细胞向最相似的中心聚类，同时邻域对比学习方法通过最小化同源细胞之间的距离并最大化无关细胞之间的距离，实现了罕见细胞的独特表征。
4. 与此同时，大规模预训练模型scBERT采用双向performer编码器架构，用于捕捉细胞表达数据中的上下文信息，深入学习细胞表征，从而使模型的注意力机制聚焦于罕见细胞类型的分布，提升对这些细胞类型的识别能力。

Para_45

1. 尽管深度学习在单细胞注释方面取得了显著进展，例如scBERT在识别罕见细胞类型方面的提升，但当前的方法仍受制于高资源需求和有限的效率。
2. 首先，像scBERT这样的监督分类模型严重依赖大量带标签的数据，而对于样本本就稀少的罕见细胞类型来说，这一问题尤为具有挑战性，限制了模型在长尾分布数据上的表现。
3. 其次，这些模型通常需要大量的计算资源以及较长的预训练和微调时间，显著增加了训练成本，并限制了其在资源受限环境中的适用性。
4. 目前的深度学习方法在灵活性和适应性方面表现不足，无法有效满足在数据有限和动态环境中对罕见细胞类型的识别需求。

Para_46

1. 为了提高对罕见细胞类型的识别准确性，我们从数据量、特征表示和学习难度三个角度提出了针对性的解决方案。
2. 首先，元学习和少量样本学习能够有效应对数据稀缺的问题。
3. 元学习使模型能够快速适应新任务，从而仅需极少量的标注数据即可识别罕见细胞类型，而少量样本学习则通过优化模型结构，在数据有限的情况下保持高效的学习能力。
4. 其次，在特征表示方面，基于注意力机制的特征选择可自动筛选出每种细胞类型特有的标记基因，构建优化的基因集合，更准确地捕捉罕见细胞类型的关键特征，缓解长尾分布问题。
5. 最后，课程学习按阶段逐步引入复杂任务，帮助模型渐进式地掌握罕见细胞类型的特点，提升学习的稳定性和准确性。
6. 综合来看，这些策略在数据稀缺的场景下显著增强了模型性能，推动了单细胞注释技术的发展。

Exploring the synergy between dynamic clustering and annotation

探索动态聚类与注释之间的协同作用

Para_47

1. 在单细胞类型注释任务中，平衡聚类和注释已成为一个关键问题。
2. 在更广泛的细胞类型注释背景下，一旦模型识别出已知的细胞类型，未见过的细胞类型将被标记为“未分配”，并需要进一步的聚类以识别潜在的簇。
3. 然而，随着样本在注释过程中的逐步排除，剩余数据的分布会动态变化，这影响了聚类的稳定性，尤其是在确定最佳聚类数量时。
4. 大多数现有方法依赖于静态的聚类设置，并缺乏根据动态变化调整参数的机制，这使得在排除已注释样本的同时优化聚类数量变得困难，最终导致聚类结构和注释结果的不稳定性。
5. 因此，聚类与注释之间的协同作用尤为重要。

Para_48

1. 最近的研究进展表明，基于对比学习的聚类方法可以有效应对这一挑战。
2. 例如，scRobust[135]利用一种自监督对比学习框架，在动态数据分布下展现出卓越的鲁棒性和对新细胞类型的适应能力。
3. 实验结果表明，在Zheng 68K数据集中，scRobust对罕见的CD4+ T辅助2型细胞的识别准确率达到0.28，显著优于Concerto[155]、CIForm[106]和TOSICA[13]等方法，后三者的准确率均低于0.10。
4. 此外，在Muraro数据集中，scRobust在识别epsilon细胞时达到了完美的1.0准确率，而其他方法未能检测到该细胞类型（准确率为0）。
5. 这些研究结果验证了对比学习在捕捉相似细胞之间潜在关系方面的有效性，从而增强了聚类算法对数据稀疏性和动态变化的适应能力，最终为高效识别未注释细胞提供了可靠的技朮支持。

Para_49

1. 为了解决这一问题，我们提出了几种策略以优化聚类与注释之间的平衡。
2. 首先，自适应聚类算法可以动态调整聚类的数量和结构，从而实时响应样本分布的变化，并提高对先前未见过的细胞类型的分辨能力。
3. 其次，可以采用基于潜在特征的自动聚类优化方法，利用深度学习提取细胞特征并在潜在空间中进行聚类，确保即使在数据逐步减少的情况下也能保持稳定的聚类性能。
4. 最后，基于对比学习的聚类方法是另一种有效的策略，该方法借助如scRobust等先进模型将全局基因信息与局部特征对齐，使在稀疏数据环境中也能够捕捉多维生物特性（例如细胞亚型特异性通路和样本特异性标记物）。
5. 这些策略不仅为动态优化提供了新的技术路径，也为提高注释准确性和聚类稳定性奠定了基础，最终实现了聚类与注释的协同整合。

Balancing knowledge retention and adaptation in continual learning with the surge in single-cell data

在单细胞数据激增的情况下，平衡持续学习中的知识保留与适应能力

Para_50

1. 在单细胞测序数据快速积累的背景下，持续学习已成为增强单细胞注释模型泛化能力和适应性的关键策略。
2. 随着新测序数据和细胞类型的不断增加，现有模型需要频繁更新。
3. 然而，直接重新训练既耗时又可能导致先前知识的遗忘。
4. 持续学习的核心在于使模型能够利用从以往任务中获得的经验来帮助学习新任务，从而实现知识的逐步积累。
5. 通过逐步吸收新数据，持续学习帮助模型在适应新信息的同时保留已有知识，从而扩展其识别能力。
6. 这种方法特别适用于处理快速增长的单细胞多组学数据。

Para_51

1. 在此背景下，提出了scEvolve方法以应对单细胞注释中的持续学习挑战。
2. 基于增量学习原理，该方法采用原型比较和回放学习策略以减轻知识遗忘问题。
3. 当引入新数据时，scEvolve通过重播已知细胞类型的数据，确保模型在整合新细胞类型信息的同时，保持对旧细胞类型的性能。
4. 这一策略增强了模型的适应性和泛化能力，提高了单细胞注释的效率和准确性。

Para_52

1. 然而，当前在单细胞注释中关于持续学习的研究仍处于初级阶段，相关方法仍有待深入探索。
2. 在实现更强大的知识扩展性和跨数据集的可迁移性方面，仍有很大的提升空间。
3. 因此，有必要结合一些增量学习策略，以建立旧知识与新知识之间更为有效的平衡。
4. 增量学习强调在吸收新知识的同时保留和优化已有知识，以解决‘灾难性遗忘’问题。
5. 例如，知识蒸馏策略可以有效地将旧知识传递给学生模型，确保其在吸收新信息时仍保有识别旧细胞类型的能力，从而降低遗忘的风险。
6. 此外，动态网络扩展方法允许模型在识别新的细胞类型时调整其网络结构，最大限度地减少对现有参数的干扰。
7. 而正则化方法则提供了稳定性约束，确保关键权重在更新过程中保持不变，有助于防止新旧知识之间的冲突。
8. 通过这些策略的结合，单细胞注释中的持续学习将具备更强的知识保留和适应能力，为处理不断增长的单细胞测序数据提供更高的准确性和稳定性。

Heterogeneity of unseen cells and their potential decoding from an open-world perspective

未见细胞的异质性及其从开放世界视角的潜在解码

Para_53

1. 从开放世界的视角来看，单细胞注释中的一个核心且前沿的挑战是有效识别和注释未见过的细胞类型。
2. 未见过的细胞类型通常指那些在已有标注参考数据集中不存在但在待注释查询数据集中存在的新细胞群体。
3. 值得注意的是，虽然基于传统标记基因的方法在处理新细胞类型时受限于对先验知识的依赖，但它们在湿实验验证和跨平台数据集稳定性方面表现出明显优势。
4. 特别是在存在显著批次效应的情况下，这些方法通过明确的生物标志物匹配往往展现出更优的可解释性和可靠性。
5. 在许多生物学研究背景中，尤其是在肿瘤微环境中，此类新细胞类型可能包含影响疾病进展或治疗反应的关键信息。
6. 如果无法准确识别这些细胞类型，可能会导致对细胞异质性的理解不完整，从而忽略与疾病进展相关的重要细胞群体及其特征定义。
7. 当前的数据驱动方法，如mtANN[16]、scLearn[90]和scBERT[17]，使用分类阈值将低于阈值的样本标记为“未分配”。
8. 尽管这种动态区分机制扩展了识别范围，但与基于标记基因的方法相比，其生物学可解释性仍需提高，后者通常需要人工验证。
9. 特别是当面对平台特异性变化或技术噪声时，这两种方法范式往往表现出互补的优势：数据驱动方法擅长捕捉复杂的表达模式，而提供可验证生物学锚点的标记基因方法则增强了注释的可靠性。

Para_54

1. 在这一背景下，融合不同技术方法的混合策略成为开放世界单细胞注释领域的一个关键探索方向。
2. 例如，scGAD[107]引入了一种锚点配对策略，该策略在保留数据驱动学习优势的同时，无缝整合了来自参考数据集的先验知识。
3. 这种混合方法继承了基于标记基因方法的稳定性，同时保留了机器学习模型在检测新模式方面的敏感性。
4. 实验结果表明，该方法能够有效连接参考数据集和目标数据集，利用已知标签聚合潜在的新细胞类型。
5. 然而，纯数据驱动的方法在生物学可解释性方面仍然面临固有的挑战，特别是在提取特定基因表达特征方面。
6. 现有模型往往无法达到湿实验室验证所需的精确水平，这凸显了在注释过程中的关键环节纳入标记基因验证的必要性。

Para_55

1. 未来的研究应着重于开发一个综合框架，结合两种方法的优势。
2. 一个有前景的方向是通过注意力机制识别出关键基因，并与权威标记基因数据库（例如PanglaoDB）进行协同验证，建立一个双向闭环的‘数据驱动发现：标记基因验证’机制。
3. 这一策略将增强新细胞簇特征的可解释性，同时提高模型对批次效应的鲁棒性。
4. 此外，在探索有限标记数据下的自适应学习算法时，可以采用受基于标记基因方法启发的层次化验证体系：在初步筛选阶段，模型利用数据驱动方法的敏感性；而在最终注释阶段，则引入基于标记基因验证的保守性。
5. 这种分层策略可以显著提升注释模型的临床适用性。
6. 这些综合性创新不仅有助于克服单一方法的技术瓶颈，还为构建具有临床解释能力的智能注释系统铺平道路，最终加速单细胞分析技术在精准医学中的转化应用。

Conclusion

Para_56

1. 本综述全面而系统地概述了利用单细胞RNA测序（scRNA-seq）技术进行细胞类型注释方面的最新进展，强调了该技术在理解细胞异质性方面所带来的变革性新视角。
2. 我们对多种注释方法进行了系统分析和分类，包括基于特定基因表达的方法、基于相关性的参考模型、数据驱动的参考模型以及大规模预训练模型，以评估每种方法的优势、局限性和适用性。
3. 为应对数据稀疏性、长尾分布和细胞异质性等关键挑战，我们探讨了整合多组学数据和动态聚类算法的潜力，以提升注释的准确性与鲁棒性。
4. 此外，未来的研究应侧重于持续学习策略，以提高模型在开放世界环境中的适应能力，在这类环境中，发现新的细胞类型至关重要。
5. 这些努力，依托于坚实的评估框架，并通过跨学科合作得以实现，将为推进单细胞注释提供坚实基础，从而揭示细胞复杂性在生物医学研究中的核心作用。

Conflict of interest

Para_57

1. 无声明。