Nat. Comput. Sci. | 用层级交叉熵损失重塑单细胞图谱级注释模型性能

单细胞RNA测序数据的细胞类型注释是解析生物学机制的关键步骤。尽管细胞类型天然具有层级结构（如免疫细胞—淋巴细胞—B细胞），现有多数模型却将标签视为彼此独立的平面分类问题。

研究人员提出了一种层级交叉熵损失(HCE)，将细胞类型本体结构直接纳入模型训练目标，使预测结果在生物学层级上保持一致性。该方法可直接应用于线性模型、多层感知机和Transformer架构，在不增加计算成本的情况下，将跨数据集泛化性能提升约12–15%。研究人员同时指出，相比单纯堆叠模型复杂度，构建具有更好层级连通性的训练数据更有助于提升模型通用性。

随着单细胞图谱规模迅速扩大，自动化细胞类型注释成为核心需求。目前公共数据库已收录超过上亿个单细胞样本。

该任务的独特之处在于：

• 细胞类型构成层级本体结构；
• 不同研究的注释粒度不一致（粗分类 vs 精细亚型）；
• 新数据持续加入图谱体系。

传统评测多在同分布数据上进行，而在真实应用场景中，新研究数据往往来自不同实验条件，导致模型泛化能力显著下降。

方法

研究人员将细胞类型本体表示为有向无环图结构：

• 每个节点代表一个细胞类型；
• 边表示“是某亚型”的层级关系。

核心思想

标准交叉熵损失要求模型在所有类别间进行“非此即彼”的选择。

而HCE损失则：

• 将子类型的预测概率向上累积到父节点
• 使模型在细粒度预测与粗粒度标签间保持一致

换言之，预测某个亚型天然隐含预测其上层类型，符合真实生物分类逻辑。该损失函数作为即插即用模块，可无缝替换原有训练目标。

结果

大规模单细胞图谱上的泛化挑战

研究人员在超过1500万细胞构建的训练图谱上训练模型，并在新发布的260万细胞数据上测试。

结果显示：

• 所有模型在新数据上性能骤降约24–32%；
• 表明现有方法对跨研究泛化能力严重不足。

图1｜持续更新单细胞图谱中的模型泛化评估及分布外性能急剧下降现象。

层级交叉熵显著提升跨数据集性能

引入HCE损失后：

• 线性模型、MLP和Transformer的宏平均F1值均提升12–15%；
• 基本恢复了约一半因分布变化造成的性能损失。

进一步分析发现：

• 提升最明显出现在本体结构中“连接密集”的中间节点类型；
• 孤立或极少样本的叶节点提升相对较小。

但整体提升与细胞类型稀有程度无明显相关，表现出良好鲁棒性。

图2｜层级交叉熵损失在多种模型架构上的性能提升效果。

讨论

研究人员的结果挑战了“更复杂模型必然更好”的常见认知。

核心结论包括：

方法层面

• 训练目标与生物结构对齐比模型深度更重要；
• 简单损失函数调整即可带来系统性提升。

数据层面

• 优化图谱中细胞类型层级连通性尤为关键；
• 增加具有桥接作用的数据比单纯扩大规模更有效。

拓展意义

HCE损失不仅适用于单细胞注释，还可推广至任何具有层级标签结构的任务，如：

• 疾病分类体系；
• 蛋白功能层级注释；
• 组织类型分类。

整理 | DrugOne团队

参考资料

Cultrera di Montesano, S., D’Ascenzo, D., Raghavan, S. et al. Improving atlas-scale single-cell annotation models with hierarchical cross-entropy loss. Nat Comput Sci (2026).

https://doi.org/10.1038/s43588-025-00945-z

内容为【DrugOne】公众号原创｜转载请注明来源