用途：对经批次校正、已降维的肿瘤单细胞 AnnData 进行肿瘤微环境（TME）细胞状态注释，使用 MetaTiME 预训练元组件（MeCs）。流程为“过度聚类 → 打分 → 写回”，输出每个细胞的 obs['MetaTiME']（细粒度状态）与 obs['Major_MetaTiME']（粗分类）。元组件可跨队列迁移，同一标签在不同队列中生物学含义一致。
主要能力：一、构造 ov.single.MetaTiME(adata, mode='table')，用内置查找表将 MeC 分数映射为细胞状态标签；二、overcluster(resolution=8, clustercol='overcluster') 执行高分辨率 Leiden 聚类，写入 adata.obs['overcluster']；三、predictTiME(save_obs_name='MetaTiME') 对各簇针对全部 MeC 打分，写入细粒度与粗分类标签；四、plot(cluster_key='MetaTiME', basis='X_mde', dpi=80) 内置带标签避让的散点图；五、辅助函数 ov.utils.mde(matrix) 生成 MDE 二维投影，速度快于 UMAP。
使用方式：输入为含批次校正低维表示的 AnnData（如 X_scVI、X_harmony），.X 需 log 归一化，var_names 须为人类基因符号，队列须为人类。参考流程：加载 adata，计算 obsm['X_mde']，构造 MetaTiME 对象，overcluster(resolution=8)，predictTiME(save_obs_name='MetaTiME')，再用内置 plot 或 sc.pl.embedding 可视化。resolution 可按队列规模调整：小队列 4–6，大队列 10–12。
适用场景与限制：MetaTiME 的 MeC 源自肿瘤数据，最适用于 TME 场景；非肿瘤组织可解析但解释不直接。必须使用批次校正数据，否则批次效应主导聚类。批次校正本身、其他注释工具（CellTypist 等）、Cell Ontology 映射与多注释共识投票均属其他技能。输入缩放而非 log 可能导致打分异常。具体收费、价格与平台信息暂未提供。