CellMaster: 単一細胞解析における協調的細胞タイプ注釈

要旨

単一細胞RNAシーケンス（scRNA-seq）は、複雑な組織のアトラス規模プロファイリングを可能にし、稀な系統や過渡的な状態を明らかにする。しかし、生物学的に妥当な細胞識別の割り当ては、マーカーが組織や状態に依存し、新規の状態には参照データが欠けるため、依然としてボトルネックとなっている。我々は、専門家の実践を模倣したゼロショット細胞タイプ注釈のためのAIエージェント「CellMaster」を提案する。既存の自動ツールとは異なり、CellMasterはLLM（GPT-4oなど）に符号化された知識を活用し、事前学習や固定のマーカーデータベースを必要とせず、解釈可能な根拠に基づくオンザフライな注釈を実行する。8種類の組織にわたる9つのデータセットにおいて、CellMasterは自動モードで最高性能のベースライン（CellTypistおよびscTabを含む）を7.1%上回る精度向上を達成した。ヒューマンインザループによる精緻化では、この優位性は18.6%に拡大し、サブタイプ集団では22.1%の向上が認められた。本システムは、ベースラインがしばしば失敗する稀な細胞状態や新規細胞状態において特に強みを示す。ソースコードおよびウェブアプリケーションはhttps://github.com/AnonymousGym/CellMaster{https://github.com/AnonymousGym/CellMaster}で利用可能である。

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}.

CellMaster: 単一細胞解析における協調的細胞タイプ注釈

CellMaster: Collaborative Cell Type Annotation in Single-Cell Analysis

要旨

Support