《Nature Genetics》：ArchMap is a web-based platform for reference-based analysis of single-cell datasets
编辑推荐：
利用单细胞参考图谱（single-cell reference atlases）分析新数据，已为单细胞数据科学（single-cell data science）带来范式转变，类似于基因组学（genomics）中首个参考基因组（reference genome
利用单细胞参考图谱（single-cell reference atlases）分析新数据，已为单细胞数据科学（single-cell data science）带来范式转变，类似于基因组学（genomics）中首个参考基因组（reference genome）所发挥的作用。然而，执行这种映射的方法需要计算专业知识（computational expertise），并且往往需要相当的计算能力（compute power），这限制了可能最受益的研究人员的使用。在此，ArchMap，一种无代码查询到参考映射（no-code query-to-reference mapping）工具，通过提供一体化的自动映射（automated mapping）、细胞类型注释（cell-type annotation）和协作功能（collaborative features），用于分析来自广泛整合的、通常已发表的参考图谱（reference atlases）的单细胞数据集，并允许随着不断增长的人类细胞图谱（Human Cell Atlas，HCA）及相关工作扩展图谱，从而消除了这一障碍。这为参考映射能力（reference mapping capabilities）的民主化铺平了道路。
论文解读：ArchMap——基于参考图谱的单细胞数据无代码查询映射与协作注释平台
大规模整合单细胞参考图谱已成为理解细胞间变异和达成细胞类型命名共识的关键。参考模型的核心用途是通过迁移学习将新数据映射到图谱，类似于基因组学使用参考基因组。然而，这些方法需要编程知识，且常需图形处理单元（graphics processing unit，GPU）计算；即使掌握技能，搭建复杂图谱使用流程仍耗时且可能使用户难以负担。已有简化工具各有局限：Azimuth 提供图形用户界面（graphical user interface，GUI），但缺乏协作功能，且映射仅能用 Seurat v4 方法；FASTGenomics 曾提供 Human Lung Cell Atlas（HLCA）参考映射，但不再免费；scGPT Hub 和 CellTypist 是 GUI，分别用于参考映射和细胞类型注释，但 scGPT 作为基础模型预训练于多样数据集并仅在用户参考和查询数据上微调，可能引入偏倚和残余批次效应，且已有研究表明基础模型在整合任务上表现不如 scVI（single cell variational inference），微调计算更昂贵；CellTypist 本身不能去除批次效应，需其他方法整合查询与参考。因此，研究人员开发了 ArchMap（Architecture Mapping），一个免费、无代码的查询到参考映射框架，兼容基于 Python 的映射方法，提供开箱即用的细胞类型标签转移、不确定性估计和协作分析功能。该论文发表于《Nature Genetics》。其开发遵循四原则：最大化可访问性；保护用户数据隐私；确保效用、质量和可重复性；促进协作。云设置允许安全共享结果、无代码下游分析和协作注释。基于 Google Cloud 的实现中，用户数据上传、下载和存储时均加密，用户删除的项目 3 天后自动从云存储删除；专家用户可按教程本地运行。ArchMap 支持摄入使用不同方法整合的高质量参考图谱，包括 Human Cell Atlas（HCA）认可的组织参考，scvi-hub 兼容性可覆盖无预印本或发表的图谱；不重训模型，使用已发表且联盟批准的版本。用户可上传自己的图谱，先标记为“in revision”进行整合质量检查，通过后可公开或私有。映射骨干为 scArches，兼容 scVI、scANVI（single-cell annotation using variational inference）和 scPoli（single-cell population level integration），分类器包括 XGBoost（extreme gradient boosting）、KNN（K-nearest neighbors）及 scANVI/scPoli 原生分类器，其中 KNN 在所有图谱和标签粒度上表现最佳。
关键技术方法（不超过250字）：研究以 scArches 为查询映射骨干，兼容 scVI、scANVI、scPoli 等条件神经网络整合方法；标签转移使用 XGBoost、KNN 及原生分类器，并以 80–20 训练-测试拆分评估。不确定性计算包括 Euclidean 和 Mahalanobis，presence score 基于 WKNN 图和随机游走重启。可视化与下游分析通过 CELL×GENE Annotate，质量评估用 scIB metrics。平台部署于 Google Cloud Platform（GCP），后端为 Express.js/Node.js，机器学习流程用 Python。样本队列来源为人肺组织单细胞数据集：特发性肺纤维化患者样本映射至 HLCA，并与健康供体数据比较。查询限制 200,000 细胞，建议基因重叠不低于 80%，映射固定 100 epochs。
研究结果：Main：ArchMap 提供免费无代码查询到参考映射框架，云设置支持安全共享、无代码下游分析和协作注释；引入考虑相关潜在特征的不确定性量化和 presence score；支持多组织图谱，包括 HCA 官方参考；用户上传图谱经审查；映射通过 scArches，兼容 scVI、scANVI、scPoli；KNN 分类器表现最佳；提供 Euclidean 和 Mahalanobis 不确定性，建议 0.5 阈值标记 unknown；presence score 评估参考适合性；用户可选择私有或共享。通过将特发性肺纤维化患者单细胞数据集映射至 HLCA，研究人员验证了工作流程。Atlas preprocessing：每个图谱统一预处理，过滤细胞和基因以符合模型属性，进行 minify，计算潜在后验参数并存储于 .obsm，映射前移除计数矩阵以大幅降低计算时间和 CELL×GENE 启动时间，最终联合结果下载时重新加入联合计数矩阵。Query requirements：查询需 h5ad 格式，batch 或 study key 必须标为“batch”，限制 200,000 细胞，raw counts 存于 X，Ensembl IDs 或基因名存于 var_names，自动转换人鼠基因；缺失基因零填充，网站提示共享基因百分比，建议参考基因缺失超过 20% 时谨慎，推荐重叠不低于 80%。Mapping procedure：检查 batch 后，按图谱整合模型预处理查询，运行 prepare_query_anndata、setup_anndata、load_query_data，模型用 100 epochs 训练更新，获得联合嵌入，存储为 latent_rep，并标记 query/reference 用于可视化。Visualization and data download：CELL×GENE Annotate 可视化映射，按 prediction_knn 或 prediction_xgboost 着色；创建可视化实例前，对参考细胞子集化以加速 UMAP（uniform manifold approximation and projection）并满足细胞数要求，保持参考细胞类型比例和参考与查询不低于 5:1；下载 tar.gz 包含联合 h5ad 和微调模型，需用户计算邻居图。Label transfer and uncertainty quantification：XGBoost 和 KNN 预训练分类器经 80–20 拆分评估，KNN F1 最佳；Euclidean 不确定性基于查询细胞与 15 个最近邻的距离，使用 WKNN 分类器；Mahalanobis 不确定性基于参考嵌入高斯混合模型的后验和马氏距离，考虑潜在特征相关性；0.5 阈值标记 unknown，也提供无阈值标签；在特发性肺纤维化至 HLCA 用例中，Mahalanobis 更适合识别疾病相关细胞状态。Performance metrics：计算参考基因百分比、unknown 百分比、有 anchors 查询细胞百分比和 cluster preservation score；低 anchor 不一定差，可能因疾病样本；该指标不用于跨查询或参考比较，只用于模型和分类器比较；cluster preservation 评分 0–5。Presence score：基于参考与查询共享邻域结构，使用 WKNN 图统计参考细胞在查询细胞最近邻中的频率，再经随机游走重启扩散、log 转换、截尾和归一化，量化参考细胞状态在查询中的代表性。Query mapping onto HLCA：将健康供体和特发性肺纤维化患者人肺单细胞数据集映射至 HLCA；参考基因百分比 96.85%，unknown 8.99%，有 anchors 53.96%，cluster preservation 5/5；Mahalanobis 不确定性显示 adventitial fibroblasts 变异最大，高不确定性关联疾病供体细胞，高不确定性细胞 CTHRC1 升高，低不确定性细胞 SERPINF1 升高；低不确定性反映稳态，高不确定性显示纤维化签名，表明可在界面内识别疾病相关细胞状态和关键驱动基因。Access to scvi-hub atlases：默认访问最新 scANVI 和 scVI 整合的 scvi-hub 图谱，兼容 Tabula Sapiens 多器官图谱和 HLCA；未来仅提供有预印本、发表或模型评估的图谱；用户可上传不符合要求的图谱并按流程评估。Atlas upload revision：管理员可上传图谱；修订流程包括用 scVI、带/不带原型学习的 scPoli 和主成分分析（principal component analysis，PCA）进行基准测试，使用 scIB metrics，并比较 KNN 分类器 F1；审核通过后可公开或私有。Framework architecture：后端 Express.js 运行于 Node.js 服务器，机器学习流程为基于 scArches 的 Python 独立服务，托管于 GCP；后端主要运行于 Google App Engine，持久数据存于 Google Cloud Storage，机器学习和临时 CELL×GENE 实例运行于 Google Cloud Run。Software tools for analysis：分析使用 Python 3.10，软件包括 scArches、Scanpy 1.9.1、XGboost 1.7.4、scikit-learn 1.5.2、scvi-tools 1.2.0 和 scIB metrics 0.5.0。Running ArchMap locally：提供本地安装教程，托管成本约每月 200 欧元；也提供 Python notebook 教程运行相同映射流程。Number of epochs for mapping：通过映射约 70,000 个健康查询细胞和 118,000 个疾病查询细胞至 HLCA，并评估重建损失、scIB metrics 和 UMAP，确定固定 100 epochs，因多数指标此后无进一步改善。Number of overlapping genes between query and reference：查询基因需子集化匹配图谱基因，基准测试显示建议查询与参考基因重叠不低于 80%。Reporting summary：原文提供研究设计报告摘要。
讨论部分总结：ArchMap 简化查询到参考映射，提供更易访问替代方案；未来可扩展多模态、多谱系和开源图谱版本控制。研究结论翻译：总之，ArchMap 使研究人员能够利用来自多种组织的现有参考，对新数据进行查询到参考映射和开箱即用细胞类型注释。ArchMap 自动计算多种性能指标，包括不确定性量化，以评估映射质量并识别新细胞或疾病细胞。CELL×GENE 插件便于映射后可视化和标记基因识别。用户还可直接通过 ArchMap 与其他用户共享映射结果。研究人员鼓励图谱构建者通过 ArchMap 的图谱上传和整合质量评估功能推广其工作。由于服务器限制，每次映射限制 200,000 个细胞。但用户可使用提供的 Colab notebook 分批查询、提交单独项目并轻松拼接映射结果；该方法与一次性映射整个查询性能相同。随着新一代图谱纳入其他模态，如 CITE-seq（cellular indexing of transcriptomes and epitopes by sequencing）和空间转录组学数据，研究人员预见 ArchMap 可通过扩展整合 TotalVI（total variational inference）和 MultiMIL（multimodal multiple-instance learning）等深度学习框架，以容纳多模态参考映射。鉴于参考图谱规模不断增加，研究人员也认为 ArchMap 有潜力扩展支持多谱系图谱，使用户能够映射到现有图谱的特定子集。此外，随着现有图谱不断更新，ArchMap 作为图谱库的能力可进一步扩展为开源图谱版本控制平台。目前，ArchMap 简化了广泛用户的查询到参考映射过程，并为传统映射流程提供了更易访问的替代方案。凭借其直观设计和协作、安全界面，研究人员设想 ArchMap 成为湿实验生物学家查询、注释和理解其单细胞数据的关键第一步。
