简介

​​细胞注释旨在通过分析细胞的基因表达谱，将细胞准确分类并确定其生物学身份 (如细胞类型、状态或亚群)，从而解读数据的生物学意义、揭示组织或样本的细胞组成和功能异质性，并为包括细胞邻域分析、CNV分析、细胞通讯分析、轨迹分析、细胞空间距离关系分析、差异基因分析、转录因子分析在内的多种下游分析提供分类基础。​

算法测评经验

• 如果希望快速获得结果，建议首先尝试使用Tangram或RCTD，对于没有单细胞参考的人类样本也可以先尝试SCimilarity。如果需要更准确的注释结果且有GPU资源，建议使用cell2location。详细算法测评信息，请参考此链接。

算法	性能	内存	时间	GPU 加速
cell2location	⭐⭐⭐⭐⭐	⭐⭐	⭐	无 GPU 时极其慢
RCTD	⭐⭐⭐⭐ （排除未注释细胞）	⭐⭐⭐	⭐⭐⭐
Tangram	⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐	CPU上速度较快，且可用 GPU加速
SPOTlight	⭐⭐	⭐	⭐⭐
SCimilarity	⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	CPU上速度很快。可用 GPU加速，但效果不明显

模块算法整体介绍

参考文献

• Biancalani, T., Scalia, G., Buffoni, L., Avasthi, R., Lu, Z., Sanger, A., ... & Regev, A. (2021). Deep learning and alignment of spatially resolved single-cell transcriptomes with Tangram. Nature methods, 18(11), 1352-1362.

• Cable, D. M., Murray, E., Zou, L. S., Goeva, A., Macosko, E. Z., Chen, F., & Irizarry, R. A. (2022). Robust decomposition of cell type mixtures in spatial transcriptomics. Nature biotechnology, 40(4), 517-526.

• Elosua-Bayes, M., Nieto, P., Mereu, E., Gut, I., & Heyn, H. (2021). SPOTlight: seeded NMF regression to deconvolute spatial transcriptomics spots with single-cell transcriptomes. Nucleic acids research, 49(9), e50-e50.

• Heimberg, G., Kuo, T., DePianto, D. J., Salem, O., Heigl, T., Diamant, N., ... & Regev, A. (2025). A cell atlas foundation model for scalable search of similar human cells. Nature, 638(8052), 1085-1094.

• Kleshchevnikov, V., Shmatko, A., Dann, E., Aivazidis, A., King, H. W., Li, T., ... & Bayraktar, O. A. (2022). Cell2location maps fine-grained cell types in spatial transcriptomics. Nature biotechnology, 40(5), 661-671.