单细胞测序技术飞速发展，然而“细胞类型注释”一直困扰着我们。传统方法往往依赖预先定义好的标记基因库。这种方式不仅耗时费力，在面对稀有细胞亚型或疾病状态下复杂的表达模式时，更是捉襟见肘。最近的”养龙虾“（OpenClaw）热潮让AI再一次广泛应用于我们的工作和生活。近期，单细胞分析领域也涌现出一批极具创新性的AI工具。它们不仅大幅提升了细胞类型注释的准确性，更为研究人员提供了深入洞察数据背后生物学意义的全新视角。今天，小编就带大家来看两个令人瞩目的分析利器。

DeepCellSeek：大语言模型的“精英集成”

中国科学院昆明动物研究所张超团队开发的 DeepCellSeek ，对包括 Kimi-k2、GPT-5、Claude-4.1 和 Grok-4 在内的十几种主流大语言模型(LLM)进行了系统评测。发现在细胞类型注释任务中，大语言模型已经全面超越了传统工具。特别是在精细细胞亚型的识别上，大模型的优势极其显著。更为亮眼的是，研究团队并没有止步于单个模型的使用，而是创新性地提出了“精英集成策略”。他们把表现最顶尖的四个模型整合在一起，并引入了基于细胞本体论的严谨校验机制。

在这个系统中，四个顶级模型会各自独立给出注释结果。随后，系统不仅会进行结果比对，还会执行多步逻辑推理。举个例子，如果某个细胞被初步判定为“成纤维细胞”，系统会去校验它是否属于相应的生物学谱系（比如“髓系”），从而剔除掉不合理的选项。最后，通过同义词合并和多数投票机制，输出最精准的注释结果。

图 DeepCellSeek流程概览

（doi:10.1093/bib/bbaf677）

这种“AI专家委员会”的工作模式，不仅显著提高了亚型注释的准确率，而且极大地增强了结果的稳定性，有效避免了单一模型可能出现的“幻觉”。目前，DeepCellSeek 已经开源了 R 包并上线了交互式 Web 平台。科研人员只需轻松上传标记基因，就能一键获取高精度的注释结果。

图 DeepCellSeek交互式Web平台

(https://deepcellseek.kiz.ac.cn/)

研究显示，在密切相关的细胞亚型解析中，传统自动注释方法分辨率不足，常将不同亚型合并，导致关键信息丢失。相比之下，LLM能够高精度还原专家注释，实现更细致、准确的细胞亚型区分。

图 LLMs与传统工具在单元子类型标注中的性能比较

CASSIA：多智能体协作，让注释“可解释”

如果说 DeepCellSeek 是一支由顶级专家组成的委员会，那么美国威斯康星大学研究团队开发的 CASSIA 则是一套高度专业化、流程化的多智能体协作系统。在这个系统中，注释智能体就像一位经验丰富的计算生物学家，通过分析标记基因的表达模式，给出初始细胞标签并附带详细的推理过程。随后，验证智能体会反复检查标记基因与预测细胞类型之间的一致性，一旦发现不符就会打回重做。接下来，格式化智能体会对复杂的注释结果进行整理总结。而评分智能体则会基于科学准确性和标记基因平衡度，为每个注释结果打分，直观地展示结果的可信度。最后，报告智能体会生成一份包含完整推理逻辑、质量评分和验证细节的综合报告。

图 CASSIA多智能体工作流图

（doi:10.1038/s41467-025-67084-x）

对于那些遇到低评分或难以区分的混合细胞群，CASSIA 还会召唤“外援”。增强注释智能体能够利用全量的差异表达统计数据进行更深度的假设检验；而检索增强生成智能体则能连接外部的专业数据库，在处理罕见组织或新物种时引入外部的先验知识。

CASSIA 最大程度地解决了以往 AI 工具像个“黑盒”的问题。它不仅告诉你“这个细胞是什么”，还清清楚楚地告诉你“为什么是这样”，并给出了具体的可信度评分。这让研究人员在面对注释结果时心里更有底，也更容易甄别和纠正潜在的错误。

研究结果显示，CASSIA提高了五个基准数据集的注释准确性，涵盖免疫和癌细胞群体的复杂细胞群体以及稀有细胞类型。

图 不同工具在基准数据集注释准确性

另外，CASSIA在注释包括癌症、免疫细胞和稀有物种在内的复杂生物数据集方面，表现优于其他竞争方法。

图 不同工具在不同细胞分类的注释准确性

图 CASSIA在线平台

（https://www.cassia.bio/）

结语

这些新工具的出现，不仅解放了科研人员在繁琐数据处理上耗费的精力，更重要的是，它们提供了更加精细、更加可信、更加易于解读的分析结果。这无疑将助力我们更好地揭示细胞异质性、发现新的生物学机制。

凌恩生物拥有包含华大C4、M20、10x Chromium iX在内的多维度单细胞平台，为科研用户提供更高通量、更精准的单细胞分析解决方案，助力突破研究瓶颈。未来已来，让我们携手 AI，共同探索单细胞世界的无限奥秘！

参考文献

1. Tortelote G .Benchmarking Machine Learning Models for Cell Type Annotation in Single-Cell vs Single-Nucleus RNA-Seq Data[J]. 2025.DOI:10.21203/rs.3.rs-5754289/v1.

2. Xie E , Cheng L , Shireman J ,et al.CASSIA: a multi-agent large language model for automated and interpretable cell annotation[J].Nature Communications, 2026.DOI:10.1038/s41467-025-67084-x.