AI 注释,别直接信

单细胞大模型 · 三个边界

2026 年，单细胞注释已经可以「一句话出结果」：把表达矩阵丢给 scGPT、Geneformer 或 scFoundation，几行代码，所有细胞自动打上标签，聚类图上颜色分得干干净净。

看着很爽。但审稿人只问一句：换一批数据，还准吗？

大模型给的是「在先验知识下的最佳猜测」，不是可以直接写进结论的注释。

01｜先说结论

大模型不是注释器，是先验知识库 + 标签迁移器。

它擅长三件事：常见组织和常见细胞类型的快速粗注释、跨数据集的标签迁移、细胞状态的 embedding 表达。

它不擅长四件事：罕见细胞类型、特殊微环境（比如肿瘤边界、坏死区）、非预训练物种、亚群级细分。

所以正确用法是一条链：模型出初稿 → marker 复核 → 细分 → 参考法交叉 → 正交验证 → 人工定稿。这条链里，任何一步被跳过，注释都只是「看起来合理」。

02｜边界一：离开语料，就开始掉点

预训练语料以常见组织、常见肿瘤为主。10x 3' 与 5'、Smart-seq2、空间数据的分布差异，会让 embedding 漂移，模型找不到它熟悉的「锚点」。

公开评测里，zero-shot 注释从同源数据到跨组织、跨平台，准确率的落差通常在 20–30 个百分点（不同模型不同）。这不是模型不行，是分布偏移的正常代价。

还有一点常被忽略：模型的输入基因集是固定的。你的矩阵里缺它要的基因，或者基因顺序、命名不一致，它不会报错，只会静默补零——结果就悄悄变差，而你看不出来。

最容易翻车的是罕见细胞类型：训练集里样本本来就少，模型会把它归到「最近的那个常见类」，而且给一个不低的置信度——你从输出上看不出来它是猜的。

还有一种更隐蔽的掉点：微调时把同一份数据切成训练集和测试集，评估出来 95%，换一个数据集只剩 60%。数据泄漏不会报错，但审稿人一定会问你划分方式。

03｜边界二：标签体系是模型定的，不是你的组织定的

每个模型有自己的 label set，粒度也是固定的。你要「CD8 耗竭 T 亚群」，它只给「T cell」；你的组织里有它没见过的类，它不会输出「没有」，只会给最像的那个。

所以动手之前先写 mapping 表：模型类目 ↔ 你的类目 ↔ 判定 marker。比如模型给 T cell，你按 CD4/CD8、PDCD1/HAVCR2 拆成耗竭与非耗竭；模型给 Unknown，你要决定是保留、还是回查 marker。

mapping 写不清楚，后面所有差异分析、通讯分析、空间映射都建立在错误的标签上——返工成本比重新注释高得多。

模型输出的 Unknown 也要单独处理：是保留成一个群回查 marker，还是并入最近的类目，方法里必须写清楚。两种处理方式得到的细胞比例，可能差出一倍。

04｜边界三：验证不能省

三件事，缺一不可。

marker 回查。关键亚群的经典 marker 必须对得上。CD8 耗竭至少看 CD8A、PDCD1、HAVCR2、TOX；模型说它是耗竭 T，这几个基因在图上却是平的，那就不是。

双方法一致率。模型 vs SingleR / Azimuth，报一致率和混淆矩阵，不要只报一个总体 accuracy——类别不平衡时，accuracy 会被大类刷上去。

正交验证。流式、免疫组化、空间定位，至少有一项落在同一个细胞群上。用同一套表达数据自证，等于没验证。

05｜顺序反了，图都要重画

粗注释（模型）→ marker 复核 → 细分（差异 + marker）→ 参考法交叉 → 正交验证 → 人工定稿。

先信模型再找 marker，等于给结论找证据；亚群被放进错误的大类，差异分析和细胞通讯全要重跑。

三种常见误用，踩中任意一条，图基本要重画：只用模型标签直接做差异分析；用 accuracy 代替一致率；同一套数据既调参又评估。

06｜投稿前，勾这六条

最常被漏的是第三、四、六条：一致率、marker 逐一对、报混淆矩阵。这三条不需要额外数据，补进方法和附表就行，但审稿人一眼就能看出你做没做。

07｜写在最后

大模型降低的是「起步成本」，不是「验证成本」。

这两年审稿人对 AI 注释的态度已经变了：不反对你用，但要求你证明它在你这份数据上是对的。一句「使用 scGPT 完成注释」交不了差，方法里必须写清：预训练语料覆盖、mapping 规则、一致率、验证方式。

我们做注释时，模型只用来出第一版，最终标签一定由 marker + 参考法 + 正交验证三方面定。这份「人工定稿」的记录，反而是审稿人最认的部分。

如果用的是开源模型，把版本号、权重和预处理参数写进方法：换一版权重，结果可能就变了。复现性靠的是记录，不是记忆。

如果你手上有一份单细胞数据，不确定模型注释能不能直接用，把组织类型、测序平台和细胞数留言给我，我按你的数据说清楚哪一步必须人工复核。