重新思考单细胞基础模型的类不平衡：跨架构和长尾损失函数的系统基准

在我们的实验中，单细胞基础模型（scGPT、scBERT、Geneformer）实现了高达 97.5% 的细胞类型分类准确度，但这种总体准确度可能掩盖了罕见的、通常与疾病相关的细胞群的系统故障，而长尾损失函数被广泛认为可以解决这些问题。我们提出了跨三种架构和三个数据集（多发性硬化症、Zheng68K、人类胰腺）的六个长尾损失函数（交叉熵、加权CE、类平衡损失、焦点损失、LDAM、logit-调整的softmax）的系统基准，总共162次受控训练运行（3个主干x 3个数据集x 6个损失x 3个种子）。普通交叉熵下的整体准确度、Macro-F1 和稀有类召回之间的差距在所有九个（架构、数据集）设置中是一致的，由数据集结构而不是预训练驱动。稀有类故障本身分为两种具有不同嵌入几何特征的状态，在选择任何损失之前就可见：一些类可以通过正确的损失来恢复，而其他类则保留线性可分离性，但在每个评估的损失和架构下被吸收到不相关类的邻域中。在可恢复的类别中，重新加权的效果是通过类别的绝对训练集大小来预测的，而不是通过其在数据集中的份额或数据集的整体不平衡率来预测。类平衡损失和 LDAM 是所有九种设置中最一致的选择，而 logit 调整则用稀有类精度来换取召回率，而不是同时提高两者。我们的结果提供了可重复使用的基准和基于机制的实用指南，用于将基础模型与不平衡的生物数据相结合。