CellTypist 自动注释 — 机器学习驱动的单细胞类型自动标注工具¶

# 激活单细胞分析环境
conda activate scanpy_env

# 安装 CellTypist（最新版）
pip install celltypist

# 验证安装
python -c "import celltypist; print(celltypist.__version__)"

# 下载所有预训练模型（约 500MB，首次使用推荐）
celltypist --update-models           # 更新所有模型到最新版本

# 或在 Python 中下载
python -c "import celltypist; celltypist.models.download_models(force_update=True)"

import celltypist                    # 导入 CellTypist
from celltypist import models        # 模型管理模块
import scanpy as sc                  # Scanpy 配合使用

# ── 查看可用的预训练模型 ──────────────────────────────
models.models_description()          # 打印所有预训练模型及其描述

# 主要预训练模型：
# Immune_All_High.pkl   →  人类免疫细胞（粗分辨率），覆盖主要免疫细胞类型
# Immune_All_Low.pkl    →  人类免疫细胞（细分辨率），覆盖亚群
# Adult_Mouse_Gut.pkl   →  小鼠肠道细胞
# Human_Intestinal_*.pkl →  人类肠道细胞
# Healthy_COVID19_PBMC.pkl → PBMC（含 COVID-19 状态）

# ── 基础注释 ──────────────────────────────────────────
# 读取已预处理的数据（adata.X 需要是 log1p 标准化后的数据）
adata = sc.read_h5ad('preprocessed.h5ad')

# 确保数据已 log1p 标准化（CellTypist 要求）
# 如果没有标准化，先做：
sc.pp.normalize_total(adata, target_sum=1e4)  # 标准化
sc.pp.log1p(adata)                             # log 变换

# 运行自动注释
predictions = celltypist.annotate(
    adata,                               # 输入数据（AnnData 对象）
    model='Immune_All_High.pkl',         # 选择预训练模型
    majority_voting=True                 # 使用多数投票（利用聚类提高精度）
)

import celltypist
from celltypist import models
import scanpy as sc
import matplotlib.pyplot as plt
import pandas as pd

# ── 完整自动注释流程 ──────────────────────────────────

# 1. 数据预处理（CellTypist 要求 log1p 标准化）
adata = sc.read_h5ad('raw_single_cell.h5ad')
sc.pp.normalize_total(adata, target_sum=1e4)   # 归一化到 10000
sc.pp.log1p(adata)                              # log(x+1) 变换

# 先做聚类（为多数投票提供基础）
sc.pp.highly_variable_genes(adata, n_top_genes=2000)
sc.pp.scale(adata)
sc.tl.pca(adata)
sc.pp.neighbors(adata)
sc.tl.umap(adata)
sc.tl.leiden(adata, resolution=2.0)             # 高分辨率预聚类（多数投票用）

# 2. 查看并选择合适的模型
print("可用模型列表：")
print(models.models_description())

# 3. 运行自动注释（PBMC/免疫细胞示例）
predictions = celltypist.annotate(
    adata,
    model='Immune_All_Low.pkl',                 # 细分辨率免疫细胞模型
    majority_voting=True,                       # 启用多数投票
    over_clustering='leiden',                   # 基于 leiden 聚类投票
    min_prop=0.0                                # 不过滤低比例标签
)

# 4. 将预测结果写入 AnnData 对象
adata = predictions.to_adata()                  # 返回添加了注释的 adata

# 新增的列：
# adata.obs['predicted_labels']     → 单细胞级别的预测（逻辑回归直接输出）
# adata.obs['over_clustering']      → 预聚类标签（Leiden 结果）
# adata.obs['majority_voting']      → 多数投票后的细胞类型（推荐使用这个）
# adata.obs['conf_score']           → 每个预测的置信度分数

print("\n预测细胞类型分布（多数投票结果）：")
print(adata.obs['majority_voting'].value_counts())

# 5. 可视化注释结果
fig, axes = plt.subplots(1, 2, figsize=(16, 6))

sc.pl.umap(
    adata,
    color='majority_voting',               # 多数投票注释（更稳健）
    title='CellTypist 自动注释（多数投票）',
    legend_loc='on data',
    legend_fontsize=8,
    ax=axes[0], show=False
)
sc.pl.umap(
    adata,
    color='conf_score',                    # 置信度分布
    title='预测置信度',
    color_map='RdYlGn',                    # 绿色=高置信，红色=低置信
    ax=axes[1], show=False
)
plt.tight_layout()
plt.savefig('celltypist_annotation.pdf', dpi=150, bbox_inches='tight')

# 6. 过滤低置信度细胞（可选）
high_conf_mask = adata.obs['conf_score'] > 0.5     # 置信度 >0.5
adata_filtered = adata[high_conf_mask].copy()
print(f"\n高置信度细胞数：{high_conf_mask.sum()}/{len(adata)}")
print(f"过滤掉：{(~high_conf_mask).sum()} 个低置信度细胞")

# 7. 与 Leiden 聚类对比（检查注释合理性）
# 计算每个 Leiden cluster 的主要细胞类型
cluster_ct = pd.crosstab(
    adata.obs['leiden'],
    adata.obs['majority_voting'],
    normalize='index'               # 按行归一化，显示各类型比例
) * 100                             # 转换为百分比

print("\n各 Leiden cluster 的细胞类型组成（%）：")
print(cluster_ct.round(1).to_string())

# 8. 训练自定义模型（如果内置模型不适合）
# 准备训练数据（需要已知细胞类型标注）
adata_train = sc.read_h5ad('labeled_reference.h5ad')  # 有标注的参考数据
sc.pp.normalize_total(adata_train, target_sum=1e4)
sc.pp.log1p(adata_train)

# 训练自定义模型
new_model = celltypist.train(
    adata_train,
    labels='cell_type',            # 标注列名
    n_jobs=8,                      # 并行线程数
    max_iter=200,                  # 最大训练迭代次数
    use_SGD=True,                  # 使用随机梯度下降（加速）
    feature_selection=True         # 自动特征选择（减少过拟合）
)

# 保存自定义模型
new_model.write('my_custom_model.pkl')
print("自定义模型保存完成！")

# 9. 保存最终结果
adata.write_h5ad('celltypist_annotated.h5ad')

# 安装
# pip install celltypist

# 三行完成注释
import celltypist
predictions = celltypist.annotate(adata, model='Immune_All_High.pkl',
                                   majority_voting=True)
adata = predictions.to_adata()

# 查看所有模型
celltypist.models.models_description()

# 常用模型
# 免疫细胞（人）：Immune_All_High.pkl / Immune_All_Low.pkl
# 肠道细胞（人）：Human_Colon_Cancer_*.pkl
# PBMC：Healthy_COVID19_PBMC.pkl
# 小鼠：Adult_Mouse_Gut.pkl