今天给大家介绍由美国斯坦福大学计算机科学系Jure Leskoveck课题组在《Nature methods》上发表了一篇名为“MARS: discovering novel cell types across heterogeneous single-cell experiments”的文章。文中提出了用于识别和注释已知的以及新的细胞类型的元学习方法MARS,MARS通过跨多个数据集传输潜在细胞表示，克服了细胞类型的异质性。使用深度学习来学习细胞嵌入功能以及细胞嵌入空间中的一组地标。该方法具有发现以前从未见过的细胞类型并注释尚未注释的实验的独特能力。将MARS应用于大型小鼠细胞图集，并展示了其准确识别以前从未见过的细胞类型的能力。此外，MARS通过概率性地在嵌入空间中定义细胞类型，自动为新的细胞类型生成可解释的名称。

高通量的单细胞转录谱分析使我们在了解疾病和发育的细胞机制方面取得了显著进展。细胞图谱数据集，包括小鼠细胞图谱和人类细胞图谱，系统地测量生物体内多个部位的单个细胞在生长发育过程中的几个时间点的转录组。这些数据集有助于发现新的细胞类型和细胞转录状态。然而，为了帮助识别新的单元类型，目前存在很大的差距，因为这需要以下技术：(1)协调异构和时变的数据集；(2)学习数据集不变的细胞表示；(3)使用学习的表示来确定被测细胞是否表示以前未被特征化的细胞类型和细胞状态。这样的技术将具有揭示新型细胞类型的能力，能够对作为这些细胞类型及其细胞活性基础的生物学进行研究，从而在扩展单细胞计算工具箱中形成至关重要的工具。

现有的单细胞工具会训练深度神经网络模型，以学习如何将细胞嵌入向量空间。但不能将细胞分类为训练数据中不存在的新细胞类型。因此，在