scrattch单细胞注释工具：基于随机森林与稀疏矩阵的跨数据集细胞类型分类

做单细胞转录组分析的朋友，应该都见过AllenInstitute这个机构名。它在脑科学数据库领域的积累相当深厚，而今天要聊的scrattch就是它开源的一套单细胞注释工具。如果你手头有scRNA-seq数据，正在为“细胞类型注释结果不稳定”“标记基因选不准”这类问题头疼，那这个项目值得认真研究。它能做的事很聚焦：基于稀疏矩阵和随机森林构建可复用的细胞类型分类模型，把人工注释的经验固化下来，实现跨数据集、跨平台的自动注释。本文不打算念文档，就从一个实际使用者的角度，拆解它的设计思路、核心流程和我在落地时踩过的坑。

1. 项目概述：它到底是什么，适合谁用

1.1 解决的核心问题

单细胞测序数据分析里，细胞类型注释是承上启下的关键环节。上游聚类分完群，下游所有差异分析、轨迹推断、细胞通讯都建立在“这群细胞是什么类型”这个前提上。早期做法很原始：人工找几个已知marker，一个个基因去FeaturePlot上看表达，再结合文献判断群的身份。这种做法在小数据集上还行，样本一多、批次一杂就出问题，而且每个人的判断标准不一样，同一个cluster在不同人手里可能注释出完全不同的结果。

scrattch把这件事工程化了。它的核心思路是：用一种半自动的方式，从你已经注释好的高质量数据里提取规律，训练一个分类模型，然后用这个模型去预测新数据里的细胞类型。本质上就是把“注释经验”变成一个可重复、可分享、可跨数据集迁移的产物。这个思路和SingleR、SEACells有些相似，但它更强调两点：一是对大规模稀疏矩阵的支持，二是注释过程的层次化结构。

1.2 目标用户和适用场景

如果你符合下面几种情况的一种，scrattch会比较适合你：

• 你有一个已经人工注释好的参考数据集，想把它作为“标准答案”去注释新的实验数据。
• 你在做跨样本、跨平台的数据整合，需要保证所有样本的细胞类型标签口径一致。
• 你是做脑科学相关研究的，Allen Institute的公开数据本身就是很好的参考资源。
• 你受够了每次注释都要重新跑一遍marker可视化，想要一套可复用的流程。

反过来也要说清楚，scrattch不适合完全不懂细胞类型注释的新手。它默认你至少有一个人工注释质量较高的参考数据。没有这个前提，后面的模型训练和预测都无从谈起。它也不是细胞分群工具，不能替代Seurat、Scanpy的聚类流程。

2. 结构设计与方法论：为什么它的注释结果更稳定

2.1 与主流注释工具的底层差异

现在用Seurat做注释，最常见的方案是FindAllMarkers结合AddModuleScore，或者直接用SingleR配合参考转录组。这两种方法各有局限。Marker打分的问题在于：基因集的选择主观性很强，不同人筛选marker的阈值不一样，得到的打分结果能差出一大截。SingleR的问题则是参考数据库的颗粒度问题，它的参考数据太泛，对一个特定组织的数据做注释时，经常出现“能分大类、分不清亚型”的尴尬。

scrattch的底层思路不一样。它不是简单地把基因表达