基于大语言模型的scExtract框架实现单细胞RNA测序数据全自动注释与多数据集整合

针对单细胞RNA测序(scRNA-seq)公共数据集注释与整合的挑战，北京大学团队开发了scExtract框架，创新性地利用大语言模型(LLM)从研究论文中自动提取信息指导数据分析。该系统通过scanorama-prior和cellhint-prior算法整合先验注释信息，在14个皮肤数据集整合中展现出优于现有方法的性能，为构建大规模细胞图谱提供了高效自动化解决方案。

　　

单细胞RNA测序技术(scRNA-seq)的革命性突破为解析细胞异质性提供了强大工具，然而海量公共数据的利用却面临巨大挑战。当前数据共享协议仅要求提交原始测序数据，缺乏标准化的处理流程和细胞注释，导致研究人员在整合不同研究数据时需要耗费大量时间手动提取预处理方法和标记基因信息。更棘手的是，现有自动注释方法难以发现新细胞类型，而批次校正算法又容易过度整合特定数据集的稀有细胞群体。这种困境严重制约了单细胞数据的挖掘效率，特别是在构建跨组织、跨发育阶段和疾病状态的大型细胞图谱时尤为突出。

为解决这一关键问题，北京大学的研究团队开发了创新性框架scExtract，该成果发表在《Genome Biology》。该系统巧妙结合大语言模型(LLM)的信息提取能力和生物信息学算法，实现了从原始数据到整合分析的全自动化流程。研究团队通过三个核心技术突破：基于LLM的智能参数提取系统、两轮优化的细胞注释策略，以及创新的先验知识整合算法scanorama-prior和cellhint-prior，成功克服了单细胞数据分析中的多个瓶颈问题。

关键技术方法包括：1)利用Deepseek-v2.5、GPT-4o-mini和Claude-3.5-sonnet等LLM模型自动解析论文中的实验参数；2)采用scanpy进行标准单细胞数据分析流程；3)开发改进的scanorama-prior算法整合细胞类型相似性矩阵；4)基于14个皮肤scRNA-seq数据集(共440,000个细胞)构建整合图谱；5)使用decoupleR进行伪批量分析降低批次差异影响。

Article-based automated dataset process of scExtract

scExtract框架包含两大核心组件：整合文章背景信息的LLM自动注释系统，以及基于注释指导的细胞类型协调与嵌入整合系统。在注释阶段，LLM代理模拟专家分析流程，自动执行从细胞过滤到群体注释的全过程。例如当文章提及"过滤掉线粒体基因≥20%的细胞"时，系统能准确提取参数并执行相应计算。聚类阶段创新性地结合文章明确描述的群组数量和作者生物学知识推断的粒度，相比纯算法确定的聚类数更能保留生物学意义。

Evaluating clustering and annotation accuracy using cellxgene data

在18个cellxgene数据集上的基准测试显示，scExtract的文本到嵌入(text-to-embedding)注释准确率显著优于SingleR、scType和CellTypist等现有方法。特别是在细胞比例下降时，scExtract的簇级精度指标展现出明显优势，表明其对稀有细胞类型的识别能力更强。引人注目的是，整合文章背景知识的版本比无背景版本准确率平均提升23%，证实了结合研究上下文信息的重要性。

scExtract accurately annotated datasets with accordant group structure

以人类肾脏数据集为例，scExtract生成的注释结构与原文高度一致，而基于参考转移的方法则因表达波动导致错误分类。虽然部分作者定义的细胞亚型(如PT_VCAM1)存在注释波动，但通过第二轮优化可准确识别。不同模型提供者间比较发现，Claude 3.5的注释最贴近原文描述，而Deepseek v2.5和GPT-4o-mini倾向于生成更通用的注释。

Evaluating scExtract's output stability and prompt sensitivity

稳定性测试表明，对于文章中明确声明的参数，LLM代理表现出高度一致性；而在复杂场景如未发表的手稿或自定义算法时，则会出现合理推断而非虚构数值。提示词敏感性分析显示，高级模型对提示变化具有较强的鲁棒性，特别是对定义明确的细胞类型保持稳定注释。

Scanorama-prior enhanced integration of annotated single-cell omics datasets

在胰腺数据集测试中，scanorama-prior展现出卓越的批次效应去除能力，同时更好地保留了细胞类型差异。该算法通过引入细胞类型相似性矩阵加权距离计算，使表达模式相似且注释一致的细胞群更均匀地整合。值得注意的是，scanorama-prior对相似命名和无偏错误命名表现出良好容错性，但对有偏错误命名(如将一种细胞类型误标为另一种)则较为敏感。

Cellhint-prior enhanced cross-dataset annotation harmonization with improved tolerance for naming errors

改进的cellhint-prior通过动态调整先验知识权重，显著提升了跨数据集注释协调能力。在胰腺数据整合中，该算法成功对齐了因测序平台差异导致表达谱迥异的细胞群体，证实了先验信息在异质数据源整合中的价值。

Comprehensive evaluation of large-scale atlas integration demonstrates the scalable superiority of scExtract-based methods

在包含50,000-600,000细胞的大规模数据集测试中，scExtract的两步整合策略展现出显著优势。特别是在人类口腔和肺细胞图谱等包含多数据集的场景中，基于先验知识的整合方法相比原始版本表现出越来越大的优势。研究建议当平均每个数据集的细胞数超过50,000或数据集少于4个时，可终止于cellhint-prior整合步骤以获得最佳结果。

Automated construction of a skin autoimmune disease dataset with custom data incorporation

应用scExtract自动整合14个皮肤数据集(涵盖银屑病、特应性皮炎等多种病理状态)构建了包含440,000细胞的综合图谱。通过模糊多数投票法，系统生成的自动注释结果与原始细胞注释显示出高度一致性。标记基因分析验证了典型皮肤微环境细胞类型的表达特征，与已知标记物表达模式相符。

Subcluster analysis identified distinct proliferating keratinocytes subtypes in psoriasis

聚焦角质形成细胞的亚群分析揭示了疾病特异性的分化轨迹。银屑病分支显示S100A8等炎症分子表达显著升高，而AD角质形成细胞则呈现中间分化状态。特别重要的是，研究发现银屑病中COL17A1⁺增殖性角质形成细胞亚群的扩张，这些细胞同时高表达具有抗炎作用的CXCL14，为理解银屑病发病机制提供了新视角。

该研究通过创新性地融合自然语言处理与单细胞组学分析，解决了领域内长期存在的数据整合瓶颈问题。scExtract框架的三大突破性贡献在于：首次实现从原始数据到整合分析的全自动化流程；开发出能够保持生物学差异的先验知识整合算法；证实LLM在专业科学信息提取中的可靠性。特别是在皮肤自身免疫疾病研究中的应用，不仅验证了既往发现的胎儿皮肤中先天淋巴样细胞(ILCs)比例较高现象，还揭示了CXCL14⁺增殖性角质形成细胞这一潜在治疗靶点。

从更广泛的角度看，这项研究为单细胞组学领域提供了重要的基础设施。通过消除耗时的手工预处理，scExtract使研究人员能将精力集中于生物学发现，而非数据清理。其模块化设计也允许随着LLM技术的进步持续优化性能。未来发展方向包括开发面向生物学的专业文本嵌入模型，以及将连续细胞标签整合到深度学习算法中。该框架的广泛应用有望加速构建更全面的人类细胞图谱，推动从基础研究到临床转化的突破。