CellMaster: 단일 세포 분석에서의 협업적 세포 유형 주석

CellMaster: Collaborative Cell Type Annotation in Single-Cell Analysis

단일 세포 RNA-seq(scRNA-seq)은 복잡한 조직의 아틀라스 규모 프로파일링을 가능하게 하여, 희귀한 계통과 일시적인 상태를 밝혀낸다. 그러나 마커는 조직과 상태에 의존적이고 새로운 상태는 참조 데이터가 부족하기 때문에, 생물학적으로 타당한 세포 정체성을 할당하는 작업은 여전히 병목 현상으로 남아있다. 우리는 제로샷(zero-shot) 세포 유형 주석을 수행하는 전문가의 방식을 모방한 AI 에이전트인 CellMaster를 제안한다. 기존의 자동화 도구들과 달리, CellMaster는 사전 학습이나 고정된 마커 데이터베이스 없이, LLM에 내장된 지식(예: GPT-4o)을 활용하여 해석 가능한 근거와 함께 즉각적인(on-the-fly) 주석을 수행한다. 8개 조직에 걸친 9개의 데이터셋을 대상으로 한 평가에서, CellMaster는 자동 모드 기준으로 최고 성능의 베이스라인(CellTypist 및 scTab 포함)에 비해 정확도를 7.1% 향상시켰다. 인간 참여형(human-in-the-loop) 개선을 거치면 이 성능 우위는 18.6%로 증가하며, 하위 유형(subtype) 집단에서는 22.1%의 성능 향상을 달성했다. 이 시스템은 기존 베이스라인들이 종종 예측에 실패하는 희귀하고 새로운 세포 상태에서 특히 강력한 성능을 입증한다. 소스 코드와 웹 애플리케이션은 \href{https://github.com/AnonymousGym/CellMaster}{https://github.com/AnonymousGym/CellMaster}에서 확인할 수 있다.

Single-cell RNA-seq (scRNA-seq) enables atlas-scale profiling of complex tissues, revealing rare lineages and transient states. Yet, assigning biologically valid cell identities remains a bottleneck because markers are tissue- and state-dependent, and novel states lack references. We present CellMaster, an AI agent that mimics expert practice for zero-shot cell-type annotation. Unlike existing automated tools, CellMaster leverages LLM-encoded knowledge (e.g., GPT-4o) to perform on-the-fly annotation with interpretable rationales, without pre-training or fixed marker databases. Across 9 datasets spanning 8 tissues, CellMaster improved accuracy by 7.1% over best-performing baselines (including CellTypist and scTab) in automatic mode. With human-in-the-loop refinement, this advantage increased to 18.6%, with a 22.1% gain on subtype populations. The system demonstrates particular strength in rare and novel cell states where baselines often fail. Source code and the web application are available at \href{https://github.com/AnonymousGym/CellMaster}{https://github.com/AnonymousGym/CellMaster}.