基于高斯混合模型的高效多样本流式细胞术数据分析方法及其应用研究

《BMC Bioinformatics》：Computationally efficient multi-sample flow cytometry data analysis using Gaussian mixture models

本研究针对多样本流式细胞术(FCM)数据分析中存在的计算效率低、跨样本比对困难等问题，开发了一种基于期望最大化(EM)算法的高斯混合模型(MSGMM)。该方法通过优化算法实现和样本特异性混合比例矩阵(π-matrix)分析，在保持检测精度的同时将计算时间从数小时缩短至数分钟，成功应用于急性淋巴细胞白血病(ALL)和急性髓系白血病(AML)等疾病的细胞分类和样本鉴别，为大规模FCM数据挖掘提供了高效解决方案。

　　

流式细胞术(FCM)作为单细胞分析的重要技术，能够在高速通量条件下对大量细胞的多个生物标记物进行同步检测。随着技术进步，现代流式细胞仪可对每个样本数百万个细胞的50个参数进行同时测定，产生了海量的高维数据。然而，这种数据规模的快速增长对传统依赖专家经验的FCM数据分析方法提出了严峻挑战，如何保证分析结果的客观性和可重复性成为亟待解决的问题。

在临床实践和科学研究中，FCM数据分析往往涉及多个样本间的比较。例如需要对比不同样本中对应细胞群体的差异，或将来自同一队列的样本区分为患病与健康两组，抑或追踪不同时间点样本中细胞群体组成的变化。这些应用场景都要求实现跨样本的细胞聚类对齐。目前主流解决方法包括数据混合池化、独立建模后聚类匹配以及多样本联合建模三种策略。其中，多样本联合建模方法通过保持模型组件参数（如均值和协方差）在样本间固定，同时允许混合比例参数随样本变化，既能准确描述异质性样本集，又能通过信息共享提高罕见细胞群体的检测能力。

尽管基于贝叶斯框架的层次狄利克雷过程高斯混合模型(HDPGMM)等多样本方法已被证明有效，但其依赖计算密集的马尔可夫链蒙特卡洛算法，难以满足大规模样本分析对可扩展性的要求。针对这一瓶颈，Rutten等人在《BMC Bioinformatics》上发表的研究提出了一种基于最大似然估计的多样本高斯混合模型(MSGMM)，通过计算高效的EM算法实现，为大规模FCM数据分析提供了新的技术路径。

研究方法上，作者首先建立了多样本高斯混合模型的概率框架，其中每个样本的概率密度函数由K个高斯组件线性组合而成，关键创新在于引入了样本特异性的混合比例参数π_s,k，形成S×K的π矩阵。通过改进的EM算法，在E步计算后验概率时加入针对π_s,k的中间M步更新，有效保持了数据的多样本结构。技术实现方面，采用内存高效的累加器策略避免存储全部后验概率矩阵，应用协方差矩阵正则化防止奇异解，并利用K-means聚类对模型参数进行初始化。实验设计涵盖了与HDPGMM的性能对比、B细胞急性淋巴细胞白血病(B-ALL)数据集上的细胞分类验证、FlowCAP II挑战的样本分类测试以及急性髓系白血病(AML)骨髓样本的异质性分析。

计算效率对比实验

研究团队首先在Cron等人使用的包含6个样本的稀有T细胞数据集上验证MSGMM的性能。这些5维血液样本含有比例从0%到0.21%的梯度稀释的抗原特异性T细胞。通过设置K=128个组件拟合10次MSGMM，结果显示其检测灵敏度与HDPGMM相当，能够准确还原整个浓度范围的细胞比例。然而计算时间从HDPGMM所需的近6小时（GPU运行）大幅缩短至约10分钟（CPU运行），展现了显著的效率优势。

B-ALL细胞分类评估

在包含65个儿童B-ALL样本的Bue Dura数据集上，研究人员比较了MSGMM与常规混合池化GMM的性能。似然比检验结果表明MSGMM对数据的拟合显著优于池化GMM（p<10^-6），证实了多样本结构的引入确实提高了模型表达能力。虽然两种模型在细胞分类的敏感性、特异性、准确度、精确度和F-measure等指标上表现相近，但MSGMM通过π矩阵揭示了样本间细胞群体分布的异质性，为理解疾病异质性提供了更深层次的洞察。

FlowCAP II样本分类挑战

在包含359个患者样本（316例健康，43例AML）的FlowCAP II挑战数据集上，MSGMM展现了优异的分类性能。研究人员使用K=10-24个组件拟合MSGMM，将样本特异性混合比例作为特征向量训练支持向量机(SVM)分类器。测试集上的分类准确率位居参与挑战算法的前列，显著优于先前报道的HDPGMM、ASPIRE和JCM等方法的性能表现，证明了该方法在复杂真实场景下的实用性。

AML骨髓样本异质性分析

针对来自HOVON-SAKK-132临床试验的211个AML诊断样本和21个正常骨髓(NBM)对照样本，研究团队应用K=40的MSGMM进行了深入分析。通过对π矩阵进行层次聚类热图可视化，清晰展示了AML样本的异质性特征——许多细胞群体仅在某些患者中高表达，而在其他样本中几乎不存在。通过计算表达水平比率（AML样本与NBM样本中π_s,k最大值的比值），可有效识别与疾病相关的细胞群体。进一步利用π矩阵训练SVM分类器，在测试集上仅出现1例假阴性误分类，展现了强大的样本鉴别能力。

本研究通过计算高效的多样本高斯混合模型(MSGMM)实现了大规模流式细胞术数据的快速准确分析。该方法不仅保留了层次模型描述样本异质性的优势，还通过算法优化大幅提升了计算效率，使得分析数百个大规模FCM样本变得可行。π矩阵作为模型的核心输出，为探索样本组成与临床元数据（如治疗反应和临床结局）间的关联提供了直接工具。尽管在模型组件数K的选择上仍需预先指定，但适度过度聚类策略在实际应用中已被证明有效。未来工作中，将MSGMM应用于纵向研究，追踪患者在不同治疗时间点细胞群体的动态变化，有望为精准医疗提供重要的技术支撑。