CellMaster: 단일 세포 분석에서의 협력적 세포 유형 주석 지정

초록

단일 세포 RNA 시퀀싱(scRNA-seq)은 복잡한 조직에 대한 아틀라스 규모의 프로파일링을 가능하게 하여 희귀 계통과 과도기적 상태를 밝혀냅니다. 그러나 생물학적으로 타당한 세포 신원을 할당하는 것은 여전히 병목 현상으로 남아 있습니다. 이는 마커가 조직 및 상태에 의존적이며, 새로운 상태는 참조 자료가 부족하기 때문입니다. 본 연구에서는 전문가의 판단 방식을 모방하여 제로샷(zero-shot) 세포 유형 주석을 수행하는 AI 에이전트인 CellMaster를 제안합니다. 기존 자동화 도구와 달리, CellMaster는 LLM(예: GPT-4o)에 인코딩된 지식을 활용하여 사전 훈련이나 고정된 마커 데이터베이스 없이 해석 가능한 근거와 함께 실시간 주석을 수행합니다. 8개 조직에 걸친 9개 데이터셋에서 CellMaster는 자동 모드에서 최고 성능 기준 방법(CellTypist 및 scTab 포함) 대비 정확도를 7.1% 향상시켰습니다. 인간 연계(Human-in-the-loop) 정제 모드에서는 이 장점이 18.6%로 증가했으며, 특히 아형(subtype) 집단에서는 22.1%의 성능 향상을 보였습니다. 본 시스템은 기준 방법들이 종종 실패하는 희귀 및 새로운 세포 상태에서 특히 뛰어난 강점을 보입니다. 소스 코드와 웹 애플리케이션은 https://github.com/AnonymousGym/CellMaster에서 이용할 수 있습니다.

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: 단일 세포 분석에서의 협력적 세포 유형 주석 지정

CellMaster: Collaborative Cell Type Annotation in Single-Cell Analysis

초록

Support