2026-10-01
Theis 团队发布免代码平台 ArchMap：浏览器里把单细胞数据映射到参考图谱并自动注释；IPF 演示中 8.99% 细胞高不确定度，与疾病状态强相关。
单细胞分析这几年的范式变化，是先把新数据映射到大规模参考图谱上做注释，类似基因组学对着参考基因组比对。Human Cell Atlas 一类项目已经攒下肺、脑、免疫等多个组织的整合图谱，映射本身靠迁移学习：冻结参考模型，把新数据微调进参考的隐空间，顺便继承细胞类型注释。门槛在于要会写 Python、配环境，如今还常要 GPU；最受益的湿实验室生物学家恰恰被挡在外面。
已有工具各缺一块。Azimuth 有图形界面，但只能用 Seurat v4 一系的方法；FASTGenomics 提供过肺图谱映射，现在不再免费；scGPT Hub 走基础模型路线，而有 zero-shot 评测显示单细胞基础模型在整合任务上不如 scVI，算力开销还更大；CellTypist 只做注释，不处理批次效应。免费、免代码、方法可选的位置一直空着。
ArchMap（Architecture Mapping,archmap.bio）出自 Helmholtz Munich 的 Theis 团队，Nature Genetics 以 Brief Communication 形式发布，骨架是迁移学习框架 scArches。平台兼容 scVI、scANVI、scPoli 三种整合方法，前两者在图谱级整合基准里持续排在前排。
几个关键设计：
度量是这篇实际的新增内容。除沿用 HLCA 已验证的欧氏不确定度（加权 KNN 算标签概率，概率低于 0.5 判为 unknown），平台加了 Mahalanobis 不确定度：对参考隐空间拟合成分数等于细胞类型数的高斯混合模型，用马氏距离度量 query 细胞落点，显式处理隐特征间的相关性；IPF 用例里它比欧氏版更能对齐疾病状态。另一个 presence score 统计每个参考细胞出现在 query 细胞 15 近邻中的频率，再在参考 KNN 图上做 100 轮带重启的随机游走扩散，据此判断参考选得合不合适。
演示用例：特发性肺纤维化（IPF）患者数据（GSE132771）映射到 Human Lung Cell Atlas。
| 指标 | 数值 | 参照 |
| 参考基因覆盖率 | 96.85% | 平台建议不低于 80% |
| Leiden 聚簇保持分 | 5/5 | 满分 5 |
| 有锚点的 query 细胞比例 | 53.96% | 健康数据映射 HLCA 为 63% |
| 不确定度高于 0.5 判 unknown | 8.99% | 无 |
血管周围成纤维细胞（adventitial fibroblasts）的不确定度方差最大。按 0.4 阈值把这群细胞分成高低两组，高不确定度组与疾病标签强相关；差异表达分析里，纤维化标志基因 CTHRC1 在高不确定度组升高，SERPINF1 在低不确定度组升高，对应纤维化与稳态；全部操作在网页里完成，不用本地跑代码。
锚点率方向也对：健康样本映射 HLCA 得 63%，疾病样本 54%，疾病数据配健康参考，对得上的细胞更少。
对做单细胞的人，这套流程从「会写代码者的专属」变成四步：选图谱、选模型和分类器、上传 h5ad、看结果。可视化内嵌 CELL×GENE，质量指标自动算好，导出物是带标签的联合 h5ad 加微调后的模型。数据上传、下载、存储全程加密，用户删除的项目 3 天后从云存储清除；不想上云可以自己部署，论文给出约每月 200 欧元的 GCP 成本估算和等效的本地 notebook。
得说清楚：这不是方法创新，映射用 scArches，整合用 scVI 家，ArchMap 的增量在工程化、度量和协作层。对 AI 从业者有两个看点。其一，它展示「迁移学习到参考图谱」在生物数据上的产品化形态，冻结大模型、微调新数据的模式与视觉领域的预训练模型适配是同构的。其二，团队明确不走基础模型路线，理由是已有评测里 scGPT 一类模型整合质量不如 scVI 且更贵，这在基础模型热的当下是个反向判断。
作者自述的：单次映射上限 20 万细胞（服务器容量），可分批映射再拼接，分批与整体结果一致，但同批次细胞必须留在同一子集；不确定度高不等于发现了新细胞状态，残留批次效应、低质量细胞同样推高分数，必须回 CELL×GENE 人工验证；query 缺失基因按零填充，覆盖率低于 80% 时结果要打折；锚点率受两边细胞数影响，只能横向比模型，不能跨数据集比质量。
另有两点。IPF 用例是已知答案的验证性演示，GSE132771 是 2020 年发表的纤维化数据，CTHRC1 是已知纤维化标志，更像一次平台能力演示，而非新生物学发现。分类器对比的具体 F1 数值只出现在 Extended Data 图里，正文未给数字，读者只能取信结论本身。