不写代码，把你的单细胞数据一键"对"进人类细胞图谱

一句话看懂

你测了一批单细胞数据，想知道每个细胞是什么类型——放在五年前，你要自己装环境、写 Python、跑整合算法、调参数；今天，ArchMap 把这条流水线搬到了浏览器里：选一个参考图谱，拖入你的 h5ad 文件，几步点击之后，每个细胞都带上了图谱级别的类型标签和置信度评分。

这项工作的意义不在于发明了新算法，而在于把已经成熟且被反复验证的算法（scArches 参考映射），封装成了任何人都能用的形态。论文通讯作者之一 Fabian J. Theis 是单细胞计算生物学领域的领军人物，人类肺细胞图谱（HLCA）等里程碑工作背后都有他的身影。

背景：单细胞领域的"参考基因组"时刻

人类基因组计划留下的参考基因组，彻底改变了测序数据的分析方式：新测的序列不再"白手起家"，而是比对到参考序列上定位、注释。单细胞组学正在经历同样的转折。

近年来，一系列大规模整合单细胞参考图谱相继建成：人类肺细胞图谱（HLCA）、人类心脏细胞图谱、发育中人类大脑图谱、胎免疫图谱……它们统一了细胞类型的命名共识，也成了理解细胞间差异的"底图"。新一代分析范式的核心思想是迁移学习：把新测的查询数据集"映射"到参考图谱上，直接借用参考图谱的注释体系和生物学信息。

这条路线的算法骨架是 scArches（2021 年发表于 Nature Biotechnology）：先在大型参考图谱上训练好深度生成模型，新数据到来时冻结原模型、只微调少量参数，就能把查询数据"焊"进参考的潜空间。scVI、scANVI、scPoli 等主流整合方法都可以接入这一框架，其中 scVI 与 scANVI 在多项基准评测中长期位居整合方法第一梯队。

参考映射到底能"白嫖"到什么？至少三样东西：其一，现成的细胞类型注释体系——不用自己从零定义聚类再一个一个查 Marker 基因猜身份，新细胞直接继承图谱里经过社区共识的类型命名；其二，跨研究可比性——你的数据落在 HLCA 的坐标系统里，就能和所有同样映射到 HLCA 的研究直接对话，不同论文里的"2 型肺泡上皮细胞"终于指的是同一群细胞；其三，疾病信号的正交视角——疾病样本映射到健康参考后，那些"对不上号"的区域本身就是信号。

问题在于：这套流程至今仍需要编程能力、机器学习知识，还常常需要 GPU 算力。对于湿实验出身的生物学研究者来说，光是配环境、装依赖就足以劝退。

痛点：现有工具各差一环

在 ArchMap 之前，社区也出现过一些降低门槛的尝试，但论文逐一点评了它们的局限：

Azimuth（Satija 实验室）

• - 提供图形界面，可把新数据投射到参考图谱上
• - 但映射方法仅限 Seurat v4 体系，无法自由比较不同参考映射方法、选最优方案
• - 缺少协作功能

FASTGenomics

• - 曾提供向人类肺细胞图谱（HLCA）的参考映射
• - 但目前已不再免费开放

scGPT Hub

• - 基础大模型路线：在多样化数据上预训练，再针对用户的参考与查询数据微调
• - 但基础模型会引入非相关数据集的偏差与残余批次效应；已有独立评测显示，在整合任务上基础模型表现不如 scVI，且计算开销更大

CellTypist（Wellcome Sanger）

• - 只做细胞类型注释这一步，不做批次效应去除
• - 要完成"查询数据整合进参考"，还得另找工具

换言之：有的工具锁死了方法，有的收了费，有的只覆盖单一图谱，有的只解决半个问题。"免费 + 免代码 + 方法可比较 + 可协作"四个条件同时满足的平台，此前并不存在——这正是 ArchMap 的定位。

ArchMap 登场：把整条映射流水线做成网页应用

▲ 图1 ArchMap 平台全景：(a) 平台收录的图谱类型；(b) 方法无关的参考映射框架；(c) 用户操作四步流程；(d) 特发性肺纤维化数据映射到人类肺细胞图谱的实战用例（来源：Lotfollahi et al., Nature Genetics 2026, 58:2469–2473）

ArchMap（Architecture Mapping）是一个免费、免代码的查询-参考映射平台，围绕四个设计原则构建：最大化可及性、保护数据隐私、确保实用性/质量/可复现性、支持协作。从图 1 可以完整看清它的三层结构。

图谱库：覆盖全身主要系统。 平台已收录经同行评审、多数获人类细胞图谱（HCA）官方认可的参考图谱，包括脑（HypoMap、胎儿脑、胶质母细胞瘤、神经类器官）、肺（HLCA、非小细胞肺癌）、免疫（外周血单个核细胞、胎儿免疫），以及心脏、视网膜、乳腺、胰腺和内胚层来源类器官图谱。此外通过兼容 scvi-hub，没有正式发表的图谱模型也能上架。

映射引擎：方法无关。 这是 ArchMap 区别于 Azimuth 的关键设计。它的骨干是 scArches 迁移学习框架，而 scArches 本身可以挂接任何基于条件神经网络的整合方法——目前支持 scVI、scANVI、scPoli 三种。用户不是被绑死在某一种算法上，而是可以针对自己的数据选择合适的整合方法。

操作流程：四步点完。 选择图谱和分类器 → 上传 h5ad 查询文件（页面明确列出文件需满足的前置条件）→ 云端自动映射 → 在结果页查看评估指标、启动 CELL×GENE 可视化、下载结果。整个过程中用户不需要碰一行代码；进阶用户也有完整的代码教程，还可以按教程把整套 Web 应用自托管到本地。

技术内核：多分类器比拼，KNN 拿了全场最佳

映射完成后，新细胞的类型标签从哪来？ArchMap 提供了一组开箱即用的分类器：自带的 XGBoost（极端梯度提升）与 KNN（K 近邻），以及 scANVI、scPoli 原生分类器（仅兼容图谱可用）。用户可以在同一数据上比较不同分类模型，根据"被标记为未知的查询细胞比例"挑选表现最好的那一个。

团队用 80-20 训练-测试划分系统评估了各分类器，结论干脆利落：KNN 在所有图谱、所有标签粒度上都表现最佳。 下图是论文扩展数据图 3，展示了 KNN、XGBoost 与 scPoli 原生分类器在胰腺、HLCA（肺）和 HNOCA（心脏）三大图谱上的逐细胞类型 F1 分数对比。

▲ 图2 三种分类器在胰腺、HLCA、HNOCA 图谱上的逐细胞类型 F1 分数对比：KNN（左列）整体最优，XGBoost 次之，scPoli 原生分类器在部分组织上明显掉队（论文扩展数据图3）

从热图可以读出两个信息：其一，在肺和胰腺图谱上，KNN 对绝大多数细胞类型的 F1 都逼近 0.95 以上；其二，没有一个分类器是"通吃"的——例如 ICC（Cajal 间质细胞）等稀有细胞类型上，各家分数都明显回落。这也正是 ArchMap 坚持让多个分类器并存、可比较的原因：稀有细胞类型的注释质量，才是检验映射平台的试金石。

训练轮数（epochs）这个看似不起眼的超参数，团队也做了系统基准测试（论文扩展数据图 2）：分别用疾病和健康查询数据测试不同映射轮数下的表现，最终为平台定下了一组对所有图谱通用的默认值——用户不需要自己调参，这一点对免代码定位至关重要：参数调优这类最容易踩坑的环节，被平台替用户做掉了。

上手实操：一次映射要准备什么

从图 1c 的工作流可以看到，一次典型的映射只需四步：选择图谱和分类器、上传查询数据、云端映射、查看与下载结果。真正需要用户花心思的只有上传前的数据准备。按论文描述，你的 h5ad 文件需要满足以下前置条件：

• - 基因命名与参考图谱一致（通常是官方推荐的基因符号体系）
• - 使用原始计数矩阵，而不是已经标准化或批次校正后的表达矩阵——归一化由映射流程内部统一处理
• - 数据质量先自查：过低基因检出数、过高线粒体比例的细胞会推高不确定性，影响解读

上传完成后，结果页会给出映射评估指标面板（基因重叠率、锚点比例、聚类保持率、未知细胞比例），并可以一键启动 CELL×GENE 实例：查询细胞按预测类型着色，参考细胞灰化显示，不确定性得分、密度分布和 Marker 基因表达都能在浏览器里直接探索，结果可下载、可分享。

不止给标签：不确定性量化才是"内行功能"

任何映射都不该盲信。ArchMap 在标签转移之外内置了一组映射质量评估指标，这也是它相对现有工具最实质的方法学增量。

双重不确定性度量。 除了常见的欧氏不确定性，ArchMap 还引入了 马氏（Mahalanobis）不确定性——后者考虑了潜空间特征之间的相关性，能更合理地量化"这个细胞到底像不像参考里的任何已知类型"。平台建议以 0.5 为界：不确定性高于 0.5 的细胞，其标签"不确定的成分大于确定的成分"，建议标记为未知。用户可以在 CELL×GENE 中逐细胞查看不确定性得分与转移标签的对应关系。

存在度评分（presence score）。 这个指标回答另一个方向的问题：参考图谱中的细胞状态，有多少真正出现在了查询数据里？它帮助用户判断所选参考图谱是否适合自己的数据——如果查询数据来自一个参考图谱完全没覆盖的组织，映射做得再好也是无源之水。该指标此前已被用于评估人神经类器官细胞图谱向发育中大脑图谱的映射。

一个重要的提醒。 论文特别强调：高不确定性 ≠ 一定是新细胞状态。残余批次效应、低质量细胞（基因数过低、线粒体基因比例过高）同样会推高不确定性。因此高不确定性细胞在标签转移后仍需人工验证——例如做差异表达分析，而不是直接当成"新发现"写进结论。

实战用例：肺纤维化数据 vs 人类肺细胞图谱

方法好不好，要看实战。论文的示范案例是把一份来自特发性肺纤维化（IPF）患者的单细胞数据集，通过 ArchMap 映射到人类肺细胞图谱（HLCA）——也就是图 1d 展示的完整流程。

映射质量先看硬指标（图 1d-i）：

• - 基因重叠率：96.85%（查询数据中能找到参考图谱同源基因的比例）
• - Leiden 聚类保持：5/5（查询数据的聚类结构在映射后完整保留）
• - 有锚点的查询细胞：53.96%（能在参考中找到相似生物学状态的细胞）
• - 高不确定性被标为未知的细胞：8.99%（不确定性 > 0.5）

值得注意的是后两项的解读：把疾病数据映射到健康参考时，锚点比例偏低、不确定性偏高本是意料之中——疾病状态下的细胞，本来就不该在健康图谱里找到完美对应。而这个"不完美"恰恰携带了生物学信息。

给不熟悉这套指标体系的读者做个翻译：锚点（anchor）指在参考图谱中能找到相似生物学状态对应细胞的查询细胞——锚点比例越高，说明你的数据与参考的"生物语言"越通；基因重叠率衡量查询数据测到的基因与参考模型的基因有多少重合，重叠率太低往往意味着测序平台、物种或基因命名体系没对齐，映射结果不可信；聚类保持率则检查映射过程有没有破坏查询数据自身的结构——如果原来能分开的细胞群映射后混作一团，多半是整合参数出了问题。这四项指标在结果页一目了然，相当于给这次映射自动出具了一份"体检报告"。

通过 ArchMap 的 CELL×GENE 插件逐细胞检查转移标签和不确定性得分，团队观察到外膜成纤维细胞（adventitial fibroblasts）的不确定性波动最大——这正是已知与 IPF 密切相关的细胞类型。把外膜成纤维细胞按不确定性高低分成两组后，高不确定性组与疾病标签显著关联（图 1d-iii）。

差异表达分析进一步锁定了分子线索（图 1d-iv）：高不确定性细胞显著上调 CTHRC1——一个经典的纤维化成纤维细胞标志物；而低不确定性细胞则相对高表达 SERPINF1。低不确定性细胞反映的是稳态过程，高不确定性细胞则携带纤维化信号——不加一行代码，从映射结果里直接读出了疾病相关细胞状态和关键驱动基因。

这个案例的价值在于示范了一种通用的分析策略：用健康参考图谱映射疾病数据，高不确定性区域就是值得深挖的"疾病热点"。

自建图谱也能上架：审核制 + 整合质量评估

ArchMap 不只是"用别人的图谱"，也欢迎研究者上传自己的图谱供他人映射使用——这对正在建设各组织参考图谱的团队（包括国内团队）是个直接的发布与传播渠道。

上传的图谱不是直接上线，而是先被标记为"在审"状态，接受平台统一的整合质量评估（扩展数据图 1），通过后才能公开或保持私有。评估管线会输出一张相当完整的能力画像，图 3 展示的正是 HLCA 图谱的评估结果：上半部分是逐细胞类型的 F1 分数热图——比较的是在不同整合方法（用户整合、scVI、带/不带原型的 scPoli、不整合）训练出的潜空间上分别训练 KNN 分类器的注释表现，HLCA 上整体准确性最高达 0.99；下半部分则从生物保守性与批次校正两个维度给出综合评分。

▲ 图3 HLCA 图谱上传评估管线结果：上半部分为各细胞类型在多种潜空间训练的 KNN 分类器下的 F1 分数，中部为生物保守性与批次校正的综合评分，整体准确性达 0.98（论文扩展数据图1）

这套评估设计的巧思在于把"图谱好不好"拆成了可验证的量化问题：如果某个整合方法训练的潜空间分类表现明显更好，说明该图谱用那个方法建模更合适；如果"不整合"的原始空间就能取得高 F1，则说明图谱本身结构清晰。上传图谱的作者拿到的不是一纸通过/不通过，而是一份能直接指导方法选择的诊断报告。

另一个值得注意的细节：ArchMap 团队刻意不重训练上传的模型。 官方理由很清楚——HCA 等联盟认可的图谱，其性能评估和社区注释都是在原始训练状态下完成的，一旦重新训练，这些大量前期评估就作废了。这种"只做搬运工，不动原模型"的克制，实际上是对图谱生态可复现性的保护。

隐私与协作：云端的另一面

把数据传到别人的云端，第一反应往往是安全顾虑——尤其单细胞数据在处理早期阶段敏感性最高。ArchMap 的应对方案：

• - 所有用户数据在上传、下载和存储全程加密
• - 用户删除的项目会在 3 天后自动从云存储中彻底清除
• - 数据可以设为私有，或仅在团队内、机构内、跨机构共享
• - 基于云的架构让多人协作注释和共享分析结果成为可能，CELL×GENE Annotate 无缝接入
• - 对数据不能出实验室的用户，提供完整的自托管教程，整套管线可在本地运行

云架构同时解决了另一个老问题：传统分析流水线最容易被安装和依赖问题卡死，而云端方案让用户彻底告别"配环境"，下游分析工具自动就位。

边界与展望：20 万细胞上限与多模态未来

ArchMap 目前并非没有边界。受服务器限制，单次映射上限为 20 万个细胞。更大的数据集需要分批提交多个项目，再用官方提供的 Colab 笔记本拼接结果——论文扩展数据图 4 证实，分批映射与一次性整批映射的性能一致，这条路是可靠的。

展望部分，团队画了三条延长线：

• - 多模态参考映射：新一代图谱正在纳入 CITE-seq（转录组+蛋白）和空间转录组数据，ArchMap 计划通过接入 TotalVI、MultiMIL 等深度学习框架支持多模态
• - 谱系子图谱：支持向某个现有图谱的特定谱系子集映射，应对超大规模参考
• - 图谱版本管理：随着现有图谱持续更新，ArchMap 有潜力发展成开源的图谱版本控制平台

写在最后

论文与平台入口：

• - 论文：Lotfollahi, M. et al. ArchMap is a web-based platform for reference-based analysis of single-cell datasets. Nature Genetics 58, 2469–2473 (2026). doi:10.1038/s41588-026-02756-y