企业官网建设流程全解析

• 人工智能
• 大模型
• 基础模型
• 预训练
• 生物信息学
• 科研

scFM-dataselection 是微软发布的单细胞基础模型预训练检查点集合，配套 Nature Methods（2026）论文，包含 455 个模型文件（Geneformer、scVI、SSL 与 PCA 组件）。在使用这些模型权重前，你需要先搞清楚两件事：哪些文件受哪种开源许可保护，以及在论文中如何正确引用。本指南帮你一次理清 MIT 与 Apache-2.0 的许可边界和学术引用规范。

项目一分钟速览

在谈许可之前，先确认你要下载的是什么：

所有模型目录、训练设置都可以从 model-index.csv 查到，许可声明的权威入口是根目录的 LICENSE 与 THIRD_PARTY_NOTICES.md。

许可总览：两份 MIT、一份 Apache-2.0

📄 本仓库并非"单一 MIT 许可"，而是三种许可并存。下表是快速对照：

三个容易踩坑的边界问题：

1. 两个 MIT 的版权方不同。主体代码（tools/加载工具、基因顺序文件 public-resources/sctab/adata_var.csv）版权归 Microsoft；而 public-resources/ssl-source/ 下的 SSL 实现来自第三方项目 ssl_in_scg，版权归 Till Richter。重新分发时请分别保留两处版权声明。

2. Geneformer 权重 ≠ 上游 Geneformer 预训练权重。THIRD_PARTY_NOTICES.md 明确说明：仓库中的 Geneformer 检查点是本研究自己训练的模型，MIT 保护；只有 public-resources/geneformer/ 下的三个 tokenizer 字典（token_dictionary.pkl、gene_median_dictionary.pkl、gene_name_id_dict.pkl）沿用 Apache-2.0。

3. scTab 语料不包含在本仓库内。原始数据集需按其自身渠道获取并遵守其使用条款——这部分不落在本仓库许可范围内。

MIT 和 Apache-2.0 分别允许你做什么

⚖️ 对新手来说，这两个都是宽松的 OSI 认证开源许可，日常科研使用几乎无限制：

• 可以做：免费使用、复制、修改、合并、再分发，甚至商用（MIT 条款明确包含 "sell copies"）。
• 必须做：
  • MIT：在所有副本或实质性部分中保留版权声明与许可声明；
  • Apache-2.0：保留版权与许可声明，若分发包含NOTICE文件的内容，也需保留该声明。
• 不能指望：两者均以 "AS IS" 提供，不提供任何明示或暗示担保（不保证适销性、适用性、无侵权）。科研用途请以论文方法为准，遇到问题可到论文代码仓库的 issue 区提问。

💡 实践建议：若你只是加载检查点做分析（使用 tools/ 中的load_model），基本只需在论文中正确引用即可；若你二次分发或封装了这些模型（例如打进你自己的工具包），务必随附 LICENSE 及对应第三方声明。

Nature Methods 论文引用规范

📝 仓库通过 CITATION.cff 机器可读地声明了引用要求：凡使用该检查点集合，请引用已发表的 Nature Methods 论文。

标准引用格式（Nature 期刊体例）：

DenAdel, A., Hughes, M., Thoutam, A., Gupta, A., Navia, A. W., Fusi, N., Raghavan, S., Winter, P. S., Amini, A. P. & Crawford, L. Evaluating the role of pretraining dataset size and diversity on single-cell foundation model performance.Nature Methods23, 1447–1457 (2026).

• 论文标题：Evaluating the role of pretraining dataset size and diversity on single-cell foundation model performance
• 期刊与卷期：Nature Methods，Vol. 23，Issue 7（2026）
• DOI：10.1038/s41592-026-03120-y

如果篇幅受限，也可使用简写形式：DenAdel et al., Nature Methods 23, 1447-1457 (2026)，这与 README.md Citation 一节给出的格式一致。完整作者列表与 DOI 已写入 CITATION.cff 的preferred-citation字段，Zotero 等文献管理工具可直接导入。

关键文件速查表

使用前检查清单

✅ 下载前：确认磁盘空间（约 22.4 GB），运行环境为 Python 3.10； ✅ 分发前：保留 LICENSE 及 licenses/ 下的版权声明，MIT 与 Apache-2.0 文件不要混淆版权方； ✅ 发表前：在正文或致谢中引用 Nature Methods 2026 论文（见上文标准格式）； ✅ 数据处理：涉及 scTab 语料时，单独遵守该数据集的获取条款。

把这三步做到，你就既守住了 MIT 与 Apache-2.0 的许可边界，也完成了对原作者的规范学术引用。

• 人工智能
• 大模型
• 基础模型
• 预训练
• 生物信息学
• 科研