CellTypist 用于单细胞 RNA-seq 的自动细胞类型注释，基于在精选参考图谱上训练的逻辑回归模型，对归一化的 AnnData 对象在单细胞层面预测细胞类型标签，并可选在指定聚类内做多数投票以生成一致的注释。内置 45+ 预训练模型，覆盖泛免疫、器官特异及发育场景，也支持从带标签数据训练自定义模型。
主要能力：celltypist.annotate() 执行注释，支持 majority_voting、over_clustering、p_thres、mode、min_prop 等参数；to_adata() 将 predicted_labels、majority_voting、conf_score 写回 adata.obs；models.download_models() 与 models.models_description() 管理模型；celltypist.train() 训练自定义模型并 write() 保存为 .pkl。可用模型示例：Immune_All_Low.pkl（98 类）、Immune_All_High.pkl（30 类）、Human_Lung_Atlas.pkl（61 类）、Pan_Fetal_Human.pkl（139 类）、Developing_Human_Brain.pkl（51 类）、Human_Colorectal_Cancer.pkl（62 类）。
使用方式：安装 pip install celltypist "scanpy[leiden]" anndata；数据需为归一化并 log1p 转换的计数（如 sc.pp.normalize_total(target_sum=1e4)、sc.pp.log1p），聚类可用 sc.tl.leiden。多数投票需先有聚类键。模型首次下载需联网，约 2GB。
适用场景：PBMC、全血、淋巴结等免疫数据注释；标记基因人工校正前的首轮注释；按聚类做共识注释；多模型比较；为未覆盖组织或物种训练自定义模型；用 conf_score 标记低置信细胞（如 <0.5）。
限制：模型与组织、物种和状态强相关，用错模型仍会给出自信标签，需用标记基因校验；基因空间交集不足（约低于 60%）会降低注释质量；环境为 Python 3.8+，多数数据集 8GB 内存足够。与 scVI/scANVI、popV 等方法的取舍，以及具体收费、价格等信息暂未提供。