Nature Genetics
ArchMap 实现单细胞数据无代码参考映射与细胞类型注释
小赛推荐：
本研究为 单细胞测序 数据分析提供了低门槛的自动化解决方案，极大降低了 疾病机制 研究中参考图谱构建与细胞状态鉴定的技术壁垒，加速从数据到生物学发现的转化路径。
文献概述
本文《ArchMap is a web-based platform for reference-based analysis of single-cell datasets》，发表于《Nature Genetics》杂志，系统探讨了如何利用基于参考图谱的映射方法解决单细胞数据分析中的技术门槛问题，并介绍了一个名为 ArchMap 的无代码在线平台。该平台通过集成 scArches 等先进算法，实现了从查询数据上传、自动映射、细胞类型注释到不确定性评估的全流程自动化，使得无需编程背景的研究人员也能利用大规模公共图谱分析自己的数据。背景知识
随着 人类细胞图谱 等大规模参考图谱的建立，利用迁移学习将新数据映射到参考图谱已成为理解 细胞异质性 和统一细胞命名标准的关键手段。然而，目前主流方法往往需要深厚的编程功底和昂贵的 GPU 算力支持，导致许多生物学家难以利用这些资源。特别是在 特发性肺纤维化 等复杂 疾病 研究中，如何从健康参考图谱中精准识别疾病特异性的 细胞状态 是一个巨大的痛点。现有的工具如 Azimuth 或 scGPT 要么功能受限，要么存在批次效应和计算成本过高的问题。ArchMap 的切入点在于构建一个云端、无代码且支持协作的平台，通过引入 Mahalanobis 距离等不确定性量化指标，解决疾病数据与参考图谱不匹配时的标签置信度问题，从而填补了从原始数据到生物学结论之间的技术鸿沟。
研究方法与核心实验
作者开发了一个基于 Web 的 ArchMap 平台，其核心算法引擎为 scArches，支持 scVI、scANVI 和 scPoli 等多种集成方法。平台允许用户上传 h5ad 格式的查询数据，自动匹配预训练的参考图谱（如 人类肺细胞图谱），并执行迁移学习。关键实验包括将 特发性肺纤维化 患者的单细胞数据映射到健康人的肺部参考图谱中。研究对比了 KNN、XGBoost 以及原生分类器的性能，发现 KNN 在不同图谱和细胞类型粒度下表现最佳。此外，平台引入了 不确定性 量化指标（包括欧几里得不确定性和马氏不确定性），用于评估映射结果的可靠性，并定义了 0.5 的阈值来标记“未知”细胞状态。关键结论与观点
研究意义与展望
ArchMap 的出现将单细胞参考映射从“专家工具”转变为“大众工具”，极大地 democratize（民主化）了 单细胞基因组学 的研究能力。对于 药物开发 而言，该平台能够快速筛选疾病特异性的 靶点 细胞群，加速靶点发现进程。在 临床监测 方面，通过量化细胞状态的不确定性，医生和研究人员可以更准确地评估患者样本中的病理变化。未来，该平台有望扩展支持 多模态 数据（如 CITE-seq 和空间转录组），并引入更复杂的深度学习框架，成为连接湿实验与干实验的关键枢纽。
结语
ArchMap 平台的推出标志着单细胞数据分析进入了一个新的自动化时代。它通过消除编程和算力障碍，使得全球范围内的研究人员能够轻松利用大规模参考图谱来解析复杂的 生物学系统。特别是在 特发性肺纤维化 等疑难 疾病 的研究中，该平台不仅帮助识别了关键的 成纤维细胞 亚群，还通过创新的不确定性量化方法，为发现新型 细胞状态 提供了可靠依据。从实验室到临床，ArchMap 有望成为 精准医疗 和 疾病机制 解析的基石工具，推动 细胞图谱 数据在更广泛领域的应用，最终加速从基础发现到临床治疗的转化进程。
