CytoVerse：面向单细胞RNA测序（scRNA-seq）的浏览器端人工智能基础模型与隐私保护参考图谱映射框架

《Patterns》：CytoVerse: Single-cell AI foundation models in the browser

　　

将单细胞数据集映射至大型图谱常受服务器限制与隐私问题阻碍。研究人员提出CytoVerse，一种完全在浏览器中运行单细胞RNA测序（scRNA-seq）基础模型（scFMs）的框架。三项关键贡献使该框架得以实现：（1）通过ONNX部署模型而无需服务器端计算；（2）使用压缩索引（IVFPQ）从客户端检索2300万细胞参考集；（3）一种轻量级协议，用于在联盟间共享嵌入（embeddings）而不暴露原始数据。因此，CytoVerse为分布式单细胞分析提供了可扩展、隐私保护的框架。

研究背景与问题：单细胞RNA测序（scRNA-seq）中，将数据集映射至参考图谱已成为细胞类型注释和解释的核心。Azimuth、SIMS-Web Streamlit、MapMyCells和ArchMap等web平台扩大了访问，但仍依赖服务器端范式，存在三方面瓶颈：生态系统锁定于特定语言或预整合参考；文件大小限制与异步处理打断迭代探索；上传未发表或敏感数据引发隐私担忧。参考图谱已达数千万细胞，需要更可扩展、响应更快的方案。服务器架构还阻止用户微调或适配参考模型；扰动研究可产生训练数据外状态，被强制归入预定义标签，降低生物可解释性。当前多数scFM注释需命令行界面或notebook，配置Python环境（PyTorch、CUDA及模型依赖）费时，并需将数据移至工作站或云服务器，SCimilarity标签查找需64 GB工作内存。WASM与Kana显示浏览器端处理数十万细胞的潜力。CytoVerse并非替代而是补充：从单一URL客户端执行scFM推理，消除安装和环境配置负担，原始计数留在用户设备，交互返回结果，降低在检测生成点进行快速、私密、迭代探索的障碍。该论文发表在《Patterns》。

研究概述：研究人员提出CytoVerse框架，将scFM从服务器流程转向浏览器原生工作流。三项贡献为：通过ONNX在浏览器直接部署高参数基础模型（如SCimilarity）；应用IVFPQ压缩索引，在无服务器端计算成本下对2300万细胞参考进行高通量映射；引入轻量潜在空间共享机制，实现联盟规模协作而不暴露原始数据。结论显示，浏览器部署与原始模型及精确最近邻搜索具有一致性，运行时间和内存在消费级笔记本上可行，方法可推广至其他ONNX可导出模型。其意义在于提供可扩展、隐私保护的分布式单细胞分析框架，使参考图谱从静态集中资源转向多团队可查询和细化的活工具。

关键技术方法（≤250字）：关键技术包括：h5wasm以WebAssembly流式读取本地.h5ad；ONNX Runtime在浏览器CPU/GPU执行预处理、嵌入、质心查找、乘积量化（PQ）非对称距离排序和参数化UMAP（parametric UMAP）投影；IVFPQ（inverted file with product quantization，倒排文件与乘积量化）将参考分成约√N簇并压缩向量；Vue/TypeScript与Web Workers保持交互，regl-scatterplot以WebGL渲染；架构模型无关，任何ONNX可导出编码器均可接入。样本来源：SCimilarity人类组织图谱（Heimberg et al.，约2300万细胞参考）；SSPsyGene参考基于Nano et al.约60万胎儿脑细胞；NGN2神经元联盟评估集（Fernandez Garcia et al.，GEO GSE319096）；ONNX/PyTorch一致性验证使用GSE136831；Allen Human Cortex M1（Bakken et al.，UCSC Cell Browser）。

研究结果：

Browser-based workflow and data flow：用户选择本地.h5ad后，CytoVerse仅用服务器静态资产完成加载预处理、嵌入、标签、参数化UMAP可视化、扰动解释及CSV/JSON导出；客户端在Apple M系列笔记本每分钟映射数千细胞。结论：浏览器端全流程可交互运行。

Server static computation and data flow：查询时服务器不做计算，仅提供静态资产；参考构建时以k-means分√N簇、PQ压缩向量和标签并建质心索引，静态文件和ONNX经HTTP/CDN/S3分发。结论：服务轻量且可经CDN或对象存储扩展。

Query vs. base and user reference：base reference为不可变基础，定义嵌入空间、最近邻索引和全局标签本体；user reference为查询数据投影到base的轻量JSON，不定义新类别，是base的受控窗口，保持标准词汇并可共享嵌入而保护原始数据。结论：支持分布式一致命名与隐私协作。

Use case: Data sharing across the SSPsyGene consortium：以Nano et al.约60万胎儿脑细胞图谱作为SSPsyGene主要参考；对联盟成员10,000个NGN2神经元分类，不到1分钟准确率>80%，多数误分类为抑制性神经元并显示DLX6-AS1等标记。结论：联盟跨模型对齐与数据共享可行。

Model explainability：采用扰动特征重要性，将表达>0.1基因逐个置零并测基线与扰动嵌入的L₂距离；抑制性和兴奋性神经元重要性谱不同但共享KCNC2，抑制性富集ROBO2（importance=0.0108）和GRIK1（0.0103），兴奋性富集LRP1B（0.0064）和RALYL（0.0057）。结论：模型捕获细胞类型分子身份。

Concordance：浏览器部署涉及模型导出和压缩索引两近似；以100个GSE136831表达谱比较PyTorch SCimilarity与ONNX Runtime，最大嵌入差3.31×10^?6，SIMS Web ONNX亦达五位小数一致。结论：部署保真。

Embeddings：随机100个GSE136831表达谱验证中，原始PyTorch SCimilarity与ONNX Runtime导出模型的最大绝对嵌入差为3.31×10^?6，SIMS Web ONNX实现亦在五位小数上一致。结论：浏览器模型与原始实现近完美一致。

Labels：精确kNN（k-nearest neighbor，k近邻）需20 GB SCimilarity索引和64 GB工作内存；IVFPQ通过压缩嵌入降低带宽和内存，调整子空间和探测数可权衡不匹配率、带宽和客户端内存，并引入受控recall下降和潜在空间失真，但基本生物关系保留。结论：压缩索引使客户端高通量标注可行。

Performance and scaling：在无风扇MacBook Air M4上，对599,211个SSPsyGene参考的10,000–500,000子样本映射至约2300万细胞SCimilarity参考（815 MB IVFPQ索引），CPU/WASM与GPU/WebGPU运行时间均随查询量线性：CPU约13 s+14.6 s/1,000细胞（R²=0.9997），GPU约27 s+12.1 s/1,000细胞（R²=0.9997）；500,000细胞CPU 2.0 h、GPU 1.7 h，WebGPU平均仅约1.17倍；峰值内存约2.7 GB+4.0 KB/细胞（R²=0.995），500,000细胞4.7 GB，低于约16 GB每标签页预算。结论：消费级笔记本实用，内存非绑定，运行时间绑定，约100万细胞可行，8 GB设备适合约100,000–250,000细胞，平板和手机适合数万细胞。

Generalization to other models：架构将编码器视为可互换组件，任何ONNX可导出嵌入模型均可集成；PyTorch用torch.onnx.export、TensorFlow用tf2onnx.convert，已适配SIMS和参数化UMAP并在README说明添加模型。结论：框架具模型通用性。

讨论与结论：CytoVerse提供无需安装或环境配置的客户端单细胞分析技术框架，通过ONNX部署和IVFPQ参考映射克服浏览器AI障碍，消除后端基础设施与昂贵服务器计算，使高通量基础模型分析在检测生成点经济可及。该技术转变应对现代功能基因组学中的社会学和隐私瓶颈：发现本质协作，但原始数据共享常延迟至正式发表，联盟内早期比较受限；CytoVerse以轻量JSON共享嵌入和标签，在潜在空间协作，共享base参考的受控窗口，保持标准词汇并保护原始数据。计算效率上，标注受每细胞编码器推理主导（CPU约14.6 s/1,000细胞），WebGPU受传输限制仅约1.17倍；近期优化在减少数据移动和算术宽度，如int8或fp16量化编码器、算子融合和持久GPU缓冲，WebNN可将推理路由至神经加速器。局限性：性能仅在单台无风扇Apple M4上表征，绝对运行时间因硬件而异，大查询为单次运行；IVFPQ带来受控recall差距；主要验证SCimilarity，其他基础模型需逐模型ONNX导出和验证；极大查询最终受每标签页浏览器内存和运行时间限制。研究结论部分翻译：长期而言，CytoVerse为这样一种未来奠定基础：单细胞图谱不再是静态、集中式存储库，而是由分布式科学社区实时持续细化、查询和解释。因此，CytoVerse为分布式单细胞分析提供了可扩展、隐私保护的框架。