scPilot: Automatisierte Einzelzellanalyse und -entdeckung durch Reasoning mit großen Sprachmodellen
scPilot: Large Language Model Reasoning Toward Automated Single-Cell Analysis and Discovery
February 12, 2026
papers.authors: Yiming Gao, Zhen Wang, Jefferson Chen, Mark Antkowiak, Mengzhou Hu, JungHo Kong, Dexter Pratt, Jieyuan Liu, Enze Ma, Zhiting Hu, Eric P. Xing
cs.AI
papers.abstract
Wir stellen scPilot vor, das erste systematische Framework zur Anwendung omics-nativen Denkens: Ein großes Sprachmodell (LLM) kommuniziert in natürlicher Sprache, während es direkt Einzelzell-RNA-Seq-Daten und bei Bedarf Bioinformatik-Tools analysiert. scPilot wandelt zentrale Einzelzellanalysen – nämlich Zelltyp-Annotation, Rekonstruktion von Entwicklungstrajektorien und Transkriptionsfaktor-Zielbestimmung – in schrittweise Denkprobleme um, die das Modell lösen, begründen und bei Bedarf mit neuen Beweisen überarbeiten muss.
Um den Fortschritt zu messen, veröffentlichen wir scBench, eine Suite von 9 fachkundig kuratierten Datensätzen und Bewertungstools, die die omics-native Denkfähigkeit von scPilot im Vergleich zu verschiedenen LLMs zuverlässig evaluieren. Experimente mit o1 zeigen, dass iteratives omics-natives Denken die durchschnittliche Genauigkeit bei der Zelltyp-Annotation um 11 % steigert und Gemini-2.5-Pro die Graph-Edit-Distanz von Trajektorien im Vergleich zu One-Shot-Prompting um 30 % reduziert, während transparente Denkspuren erzeugt werden, die Markergen-Ambiguïtät und regulatorische Logik erklären. Durch die Verankerung von LLMs in Roh-Omics-Daten ermöglicht scPilot überprüfbare, interpretierbare und diagnostisch informative Einzelzellanalysen.
Code, Daten und Paket sind verfügbar unter https://github.com/maitrix-org/scPilot.
English
We present scPilot, the first systematic framework to practice omics-native reasoning: a large language model (LLM) converses in natural language while directly inspecting single-cell RNA-seq data and on-demand bioinformatics tools. scPilot converts core single-cell analyses, i.e., cell-type annotation, developmental-trajectory reconstruction, and transcription-factor targeting, into step-by-step reasoning problems that the model must solve, justify, and, when needed, revise with new evidence.
To measure progress, we release scBench, a suite of 9 expertly curated datasets and graders that faithfully evaluate the omics-native reasoning capability of scPilot w.r.t various LLMs. Experiments with o1 show that iterative omics-native reasoning lifts average accuracy by 11% for cell-type annotation and Gemini-2.5-Pro cuts trajectory graph-edit distance by 30% versus one-shot prompting, while generating transparent reasoning traces explain marker gene ambiguity and regulatory logic. By grounding LLMs in raw omics data, scPilot enables auditable, interpretable, and diagnostically informative single-cell analyses.
Code, data, and package are available at https://github.com/maitrix-org/scPilot