CellScribe把细胞身份与状态合进一个生成接口：在309类留出研究上宏F1达0.223，超过冻结嵌入探针
核心概要
单细胞注释长期把细胞身份（谱系）与状态（活跃转录程序）分开处理，固定输出头的分类器也只能给出预设类型。CellScribe用AdaLN适配器把冻结的单细胞基础模型嵌入接入预训练语言模型，让同一个模型按提示生成本体标注的细胞类型或带活性分数的元程序谱。在CELLxGENE的309类、444万细胞留出研究划分上，完整流程的宏F1为0.223、加权F1为0.484，均高于冻结scFoundation嵌入探针的0.194和0.366；在3CA留出研究的恶性细胞上，标志准确率为0.344，探针为0.227。
深度剖析
同一个生成模型现在既能给出本体层级中的细胞类型，也能给出带活性分数的元程序谱，把此前分头处理的两条轴放进一个接口。 此前的跨组织监督注释模型输出头固定，只能预测预定义类型；状态推断则依赖ssGSEA、AUCell这类独立打分或对队列回溯拟合的NMF，难以直接预测新细胞的状态。 在CELLxGENE的309类、444万细胞留出研究划分上，完整流程的宏F1为0.223、加权F1为0.484，冻结scFoundation嵌入的监督探针为0.194和0.366；仅监督微调已达0.195和0.497。
模型把细胞表达谱当作语言模型每一层的调制信号，而不是塞进提示里的一个额外词元。 常规做法是把嵌入投影成一个提示词元，或经Perceiver式重采样器变成多个词元；AdaLN-Zero用零初始化的线性投影从896维条件嵌入生成每层的缩放与偏移，初始时还原预训练子层。 在监督微调阶段的对照中，相对AdaLN，单层词元投影、参数量匹配的词元投影和Perceiver分别使分型宏F1下降43%、20%和11%，状态任务上top-1与标志准确率下降50%至80%。
强化学习后训练按细胞本体距离和元程序一致性给生成结果打分，把剩余错误推向更近的本体邻居。 监督微调把答案当作词元序列来拟合，不区分混淆近缘免疫亚型与错认谱系，也不区分漏掉主导缺氧程序与排序偏差。 对齐后分层F1在精确、正负1和正负2容差上分别提高1.0、1.3和1.6个点，提升随容差增大；状态任务top-1程序准确率、标志准确率和NDCG@5分别提高1.7、2.1和5.7个点。
跨度条件化的上下文学习让模型在一个提示里读入若干带标签细胞，从而命名监督训练中完全未出现的类型。 闭集分类器无法输出输出头之外的类型；标准AdaLN把一个细胞嵌入绑定到整段词元，无法区分同一提示中的多个细胞。 在从三个阶段全部留出的50个类型、4671个查询细胞上，加入该后训练把精确分层F1从0.023提到0.435，全谱系容差下为0.695对0.069；去掉示例细胞后精确值降到0.032。
启示与展望
演示范围是单细胞RNA测序数据：分型在CELLxGENE的309类、444万细胞留出研究划分上评估，状态在3CA的41个元程序、25.7万细胞上评估，未出现类型实验使用50个留出类型、4671个查询细胞。读者对象是从事单细胞注释与肿瘤转录组分析的研究人员；把批量RNA解卷积与CellScribe耦合的工作尚在进行，需前瞻性患者层面评估。
基于预训练scFoundation嵌入的探针本身表现很强，说明这些编码器已含有对分型高度可判别的结构；状态是更困难的结构化预测问题。扰动预测被列为自然的下一步，用以检验该能力能否超出当前41个由NMF导出的元程序；AdaLN在生成过程中如何跨层、跨解码步使用细胞嵌入仍是待解释的问题。