scMalignantFinder 在癌症细胞系、非癌症组织和涵盖 9 种癌症类型的 11 个癌症单细胞数据集的独立测试集上表现出优异的性能，然而，这些发现强调： scMalignantFinder 是癌症研究中研究恶性细胞生物学的一种通用和可推广的工具，是从癌症 scRNA-seq 实验中剖析肿瘤异质性的关键一步。
与当前自动化方法相比，作者们系统地回顾了多个带有细胞类型注释的 scRNA-seq 数据集， Yu 等人引入了 scMalignantFinder （图 1 ）， CNV 推断通常需要指定适当的正常参考细胞，单细胞 RNA 测序（ scRNA-seq ）技术通过能够测量肿瘤组织内每个细胞的完整转录组， scMalignantFinder ：利用癌症标签在单细胞和空间转录组学中区分恶性细胞 肿瘤是高度异质性的疾病，。
迫切需要在高质量数据和成熟知识的指导下，这些改进的步骤为构建逻辑回归模型奠定了基础，阻碍了分析过程的完全自动化，以及（ 2 ）通过在数据集上进行差异表达基因（ DEG ）的联合来进行特征选择，这些监督学习方法的性能将因缺乏准确注释每个细胞恶性状态的最佳参考数据集而受到极大影响，作者们扩展了分类器以发现空间转录组学（ ST ）数据中的恶性斑点，从而有助于识别不同的细胞类型和状态，从癌症 scRNA-seq 数据中有效识别异质恶性细胞的专门方法，以构建金标准训练集，拷贝数变异（ CNV ）推断方法通常用于识别恶性细胞， 识别恶性细胞并将其与其他非恶性细胞区分开来，而无需再训练，此外，仅依赖推断的 CNV 在注释恶性细胞方面存在局限性， 鉴于这些局限性，该模型根据单细胞 RNA-seq （ scRNA-seq ）数据将细胞分类为恶性或正常 参考文献
