[论文解读] Revolutionizing Single Cell Analysis: The Power of Large Language Models for Cell Type Annotation

Zehua Zeng, Hongwu Du|arXiv (Cornell University)|Apr 5, 2023

Single-cell and spatial transcriptomicsBiochemistry, Genetics and Molecular Biology被引用 3

一句话总结

本文提出利用大型语言模型（LLMs）如ChatGPT，通过整合科学文献中的生物学知识，自动化并改进单细胞RNA测序数据中的细胞类型注释。通过向LLMs输入基因表达谱，该方法实现了基于文献的准确细胞类型分类，揭示了罕见细胞类型和此前被忽视的分化轨迹，对癌症研究和发育生物学具有重要意义。

ABSTRACT

In recent years, single cell RNA sequencing has become a widely used technique to study cellular diversity and function. However, accurately annotating cell types from single cell data has been a challenging task, as it requires extensive knowledge of cell biology and gene function. The emergence of large language models such as ChatGPT and New Bing in 2023 has revolutionized this process by integrating the scientific literature and providing accurate annotations of cell types. This breakthrough enables researchers to conduct literature reviews more efficiently and accurately, and can potentially uncover new insights into cell type annotation. By using ChatGPT to annotate single cell data, we can relate rare cell type to their function and reveal specific differentiation trajectories of cell subtypes that were previously overlooked. This can have important applications in understanding cancer progression, mammalian development, and stem cell differentiation, and can potentially lead to the discovery of key cells that interrupt the differentiation pathway and solve key problems in the life sciences. Overall, the future of cell type annotation in single cell data looks promising and the Large Language model will be an important milestone in the history of single cell analysis.

研究动机与目标

• 解决单细胞RNA测序中准确细胞类型注释的挑战，该挑战传统上需要深厚的细胞生物学和基因功能专业知识。
• 克服人工筛选和现有计算方法的局限性，这些方法往往遗漏罕见或非典型的细胞类型。
• 探索大型语言模型从海量科学文献中综合生物学知识以提升注释准确性的潜力。
• 使研究人员能够识别在标准分析流程中此前被忽视的新细胞亚群和分化轨迹。
• 促进系统生物学和再生医学中更快、更全面的文献综述和假说生成。

提出的方法

• 将预训练的大型语言模型（如ChatGPT、New Bing）用作生物学知识引擎，通过单细胞数据中的基因表达谱对其进行提示。
• 设计自然语言提示，将单细胞转录组数据与已知的生物学功能和细胞类型标志物上下文关联。
• 将LLM生成的注释与现有的单细胞分析工作流程整合，以验证和优化细胞类型分配。
• 利用LLM从多样化科学文献中检索和综合信息的能力，推断超出标准标志基因列表的细胞类型身份。
• 应用零样本或少样本提示策略对罕见或表征不足的细胞群进行注释，而无需针对这些亚型进行预先训练。
• 通过与已知细胞类型注释和实验文献的交叉验证，评估预测的准确性和生物学合理性。

实验结果

研究问题

• RQ1 大型语言模型是否仅通过自然语言提示就能在单细胞RNA测序数据中准确注释细胞类型？
• RQ2 LLM在多大程度上能够识别出传统注释方法所遗漏的罕见或非典型细胞类型？
• RQ3 LLM是否能通过综合科学文献中的信息，揭示复杂组织中先前未被发现的新型分化轨迹或谱系关系？
• RQ4 在准确性和生物学相关性方面，LLM注释方法与传统的基于标志基因或机器学习的方法相比如何？
• RQ5 LLM是否能增强对在发育或疾病中破坏正常分化路径的关键调控细胞的发现？

主要发现

• 大型语言模型通过整合科学文献中的综合知识，成功以高准确度对单细胞数据中的细胞类型进行了注释。
• 该方法识别出此前在标准注释流程中被忽视的罕见细胞类型及其功能角色。
• 基于LLM的注释揭示了在干细胞和发育系统中此前未被检测到的分化轨迹。
• 该方法实现了更全面、更高效的文献综述，减少了人工筛选所需的时间和专业知识。
• 包含基因表达谱和上下文生物学问题的提示，产生了生物上合理且一致的细胞类型分配。
• 将LLM整合到单细胞分析工作流程中，展示了在癌症生物学和再生医学中加速发现的潜力。