CellMaster : Annotation collaborative des types cellulaires dans l'analyse unicellulaire

CellMaster: Collaborative Cell Type Annotation in Single-Cell Analysis

February 12, 2026

papers.authors: Zhen Wang, Yiming Gao, Jieyuan Liu, Enze Ma, Jefferson Chen, Mark Antkowiak, Mengzhou Hu, JungHo Kong, Dexter Pratt, Zhiting Hu, Wei Wang, Trey Ideker, Eric P. Xing

cs.AI

papers.abstract

Le séquençage de l'ARN à l'échelle monocellulaire (scRNA-seq) permet un profilage à l'échelle d'atlas des tissus complexes, révélant des lignées rares et des états transitoires. Pourtant, l'attribution d'identités cellulaires biologiquement valides reste un goulot d'étranglement car les marqueurs sont dépendants du tissu et de l'état, et les états nouveaux manquent de références. Nous présentons CellMaster, un agent IA qui imite la pratique experte pour l'annotation de types cellulaires en zero-shot. Contrairement aux outils automatisés existants, CellMaster exploite les connaissances encodées dans les LLM (par exemple, GPT-4o) pour effectuer une annotation à la volée avec des justifications interprétables, sans pré-entraînement ou base de données de marqueurs fixe. Sur 9 jeux de données couvrant 8 tissus, CellMaster a amélioré la précision de 7,1 % par rapport aux meilleures méthodes de référence (incluant CellTypist et scTab) en mode automatique. Avec un affinage en boucle humaine, cet avantage est passé à 18,6 %, avec un gain de 22,1 % sur les populations de sous-types. Le système démontre une force particulière pour les états cellulaires rares et nouveaux où les méthodes de référence échouent souvent. Le code source et l'application web sont disponibles à l'adresse https://github.com/AnonymousGym/CellMaster.

English

Single-cell RNA-seq (scRNA-seq) enables atlas-scale profiling of complex tissues, revealing rare lineages and transient states. Yet, assigning biologically valid cell identities remains a bottleneck because markers are tissue- and state-dependent, and novel states lack references. We present CellMaster, an AI agent that mimics expert practice for zero-shot cell-type annotation. Unlike existing automated tools, CellMaster leverages LLM-encoded knowledge (e.g., GPT-4o) to perform on-the-fly annotation with interpretable rationales, without pre-training or fixed marker databases. Across 9 datasets spanning 8 tissues, CellMaster improved accuracy by 7.1% over best-performing baselines (including CellTypist and scTab) in automatic mode. With human-in-the-loop refinement, this advantage increased to 18.6%, with a 22.1% gain on subtype populations. The system demonstrates particular strength in rare and novel cell states where baselines often fail. Source code and the web application are available at https://github.com/AnonymousGym/CellMaster{https://github.com/AnonymousGym/CellMaster}.