编辑推荐：
单细胞 RNA 测序（scRNA-seq）在研究中意义重大，但数据稀缺问题突出。研究人员开展了单细胞生成傅里叶变换器（scGFT）的研究。结果显示 scGFT 能有效合成细胞、增强数据。这为单细胞研究提供了新方法，推动相关领域发展。
在生命科学研究的微观世界里，单细胞 RNA 测序（scRNA-seq）宛如一把神奇的钥匙，为我们打开了探索细胞复杂性和异质性的大门。通过它，科学家们能够深入到单个细胞的层面，剖析其基因表达的奥秘，这对于理解疾病机制、开发精准治疗方案至关重要。然而，这把钥匙却面临着一个棘手的难题 —— 数据稀缺。在研究罕见疾病、特殊组织和稀有细胞类型时，获取足够数量的细胞样本变得异常困难。高昂的实验成本、严格的伦理限制，都使得样本数量捉襟见肘，就像在茫茫大海中寻找珍贵的宝藏，却只有寥寥无几的线索。同时，现有的基于深度学习的生成模型（GMs）在解决数据稀缺问题时也陷入了困境。它们往往依赖于预训练或微调，可这又恰恰受制于有限的样本数据，就像陷入了一个恶性循环，难以真正突破数据的瓶颈。
为了打破这一僵局，来自赛诺菲（Sanofi）的研究人员挺身而出，展开了一项极具创新性的研究。他们致力于开发一种全新的方法，以解决 scRNA-seq 数据稀缺的难题。经过不懈努力，他们成功推出了单细胞生成傅里叶变换器（scGFT），这一成果发表在《Communications Biology》杂志上，引起了科学界的广泛关注。
研究人员在开展这项研究时，运用了多种关键技术方法。首先是离散傅里叶变换（DFT）和逆傅里叶变换（IFT），通过这两种变换，将细胞基因表达谱在复杂空间和原始基因表达空间之间进行转换。其次，在数据处理方面，利用了标准化、筛选可变基因等常规的 scRNA-seq 数据处理手段。此外，还采用了聚类分析、最大平均差异（MMD）等评估方法，来验证 scGFT 合成细胞的质量。在实验过程中，使用了模拟数据和来自原发性小气道上皮细胞（SAECs）等真实实验数据。
下面让我们深入了解一下这项研究的主要结果：
- scGFT 在模拟数据合成中保持细胞身份：研究人员利用 Splatter R 包生成不同规模和复杂度的模拟 scRNA-seq 数据集，每个数据集包含不同数量的细胞和聚类。通过 scGFT 对这些数据集中的细胞进行合成，改变不同数量的复杂成分（CCs）。结果发现，合成细胞与原始细胞聚类的准确率极高，超过 92%，在所有修改成分数量和模拟数据中的平均准确率更是高达 97% 以上。同时，计算合成细胞与原始细胞的 MMD 分数，结果显示分数始终低于 10?3 ，表明两者分布相似且存在细微差异，这意味着 scGFT 能够在保持原始细胞关键特征的同时，引入适度变化。随着修改的 CCs 数量增加，虽然合成细胞与原始细胞的偏差会增大，但这也符合 scGFT 的理论基础，证明了其引入的变化是可控的。
- scGFT 增强实验 scRNA-seq 数据并保持细胞固有特性：研究人员使用来自原发性小气道上皮细胞（SAECs）的实验数据，这些细胞来自健康个体和慢性阻塞性肺疾病（COPD）患者。scGFT 以不同的扩展系数（1×、2×、3×）合成新细胞，并修改不同数量的 CCs。通过 UMAP 可视化和聚类分析发现，合成细胞与原始细胞有大量重叠，聚类准确率超过 92%，平均达到 94% 以上。计算合成细胞与原始细胞的 MMD 分数，同样低于 10?3 ，且差异具有统计学意义，说明合成细胞在整体结构上与原始细胞相似，同时保留了细微差异。在对高变基因的分析中，发现原始数据和合成数据中前 2000 个高变基因的平均重叠率达到 94 ± 0.7%，证明 scGFT 能够有效保留原始细胞的内在变异性。在细胞类型注释方面，利用 Sargent 方法进行评估，结果显示合成细胞和原始细胞在细胞类型标注上的一致性超过 95%，平均达到 96% 以上。此外，合成数据的稀疏性略低于原始数据，且在不同修改成分数量和扩展系数下趋势相似，表明 scGFT 在合成过程中没有过度去噪或插补数据，保持了基因表达数据的完整性。
- scGFT 在关键性能指标上优于神经网络生成模型：研究人员将 scGFT 与三种基于神经网络的生成模型（scGAN、scDiffusion、scVI）进行对比。在对 PRJEB44878 数据集的分析中，通过 UMAP 定性评估发现，虽然 scGAN、scDiffusion 和 scVI 合成的细胞与原始细胞都有较好的重叠，但定量评估显示，scGFT 合成细胞的保真度更高，相比之下，scGAN 合成细胞的保真度平均低约 11%，scDiffusion 和 scVI 合成细胞的保真度平均低约 9%。在分析合成细胞与原始高变基因的重叠情况时，scGFT 表现更优，scGAN、scDiffusion 和 scVI 合成细胞与原始高变基因的重叠率分别平均低约 30%、36% 和 20%。在数据稀疏性方面，scGAN 和 scVI 分别增加了 5% 和 1% 的稀疏性，scDiffusion 和 scGFT 的插补率分别约为 14% 和 2%。在计算性能上，scGFT 的优势更为明显。在模拟数据合成中，合成 50000 个细胞的时间随着原始数据规模和修改 CCs 数量的增加而适度增加；在实验数据合成中，合成时间与合成细胞数量和修改 CCs 数量相关。而 scDiffusion 训练需要约 40 小时，scGAN 需要约 20 小时，scVI 需要约 0.6 小时，相比之下，scGFT 作为一种分析性解决方案且无需训练，计算效率极高。
- scGFT 从单个细胞基因表达谱合成独特细胞群体：针对 scRNA-seq 数据中分析罕见细胞类型的难题，研究人员以 PRJEB44878 实验数据中的罕见上皮亚型细胞为例，如 SCGB3A2 俱乐部细胞、MMP7 异常基底样细胞、GRP 肺神经内分泌细胞（PNECs）和 FOXI1 离子细胞，这些细胞在群体中占比均小于 0.3%。从每个群体中随机选择一个细胞，通过 scGFT 修改 100 个 CCs 并合成 5000 个细胞。结果显示，scGFT 成功生成了离散的细胞群体，且合成细胞与原始细胞在细胞类型标注上的准确率超过 98%。虽然在 UMAP 表示中合成细胞呈现出拉长的形状，但这恰恰体现了 scGFT 能仅从单个细胞的表达谱合成独特细胞群体的能力，这是当前其他生成方法所无法比拟的。
- scGFT 保留细胞网络结构的核心特征：研究人员利用 GSE178360 数据集，该数据集包含来自健康肺远端气道的 7160 个处理过的细胞。以纤毛细胞类型为例，通过 scGFT 以 1× 的比例修改 10 个复杂成分生成合成细胞。然后，从原始细胞和合成细胞中随机抽取 1000 个细胞，分别推断它们的基因 - 基因网络，并使用 Jaccard 指数量化网络的相似性。经过 1000 次重复实验，结果显示平均相似性达到 81 ± 0.1%，这表明 scGFT 合成过程能够在很大程度上保留原始群体中基因 - 基因的关系，为生成具有生物学合理性的合成细胞提供了有力支持，也为复杂的下游应用奠定了基础。
- scGFT 增强网络分析以识别人类肺泡上皮中的基因程序：在转录组学研究中，识别功能相关的基因集及其与生物学背景的关联至关重要，但在罕见细胞类型中，由于样本量不足，基于图形 lasso（glasso）的网络推断策略往往受到限制。研究人员利用 GSE178360 数据集，针对罕见的肺泡上皮亚型 AT0、AT1 和 AT2 进行研究。通过 scGFT 为每个亚型合成 5000 个细胞，修改 10 个 CCs。通过 UMAP 定性评估和差异表达基因（DEGs）分析，验证了合成细胞的保真度。然后，对原始数据和合成数据合并后的基因 - 基因关联网络进行推断，识别出模块，并进行基因富集分析。结果发现，推断出的模块与呼吸功能相关的通路有大量重叠，如核糖体蛋白相关通路、细胞对无机物质的反应通路、上皮细胞分化通路等。此外，通过轨迹推断分析表明，scGFT 合成的细胞能够准确重现 AT 细胞的发育转变，恢复关键的分化通路，这说明 scGFT 能够增强网络推断的统计能力，得出更可靠的生物学结论，而这些是仅使用原始有限数据无法实现的。
综合来看，scGFT 为单细胞研究带来了新的曙光。它通过基于傅里叶变换的严谨数学框架，实现了单细胞数据的有效增强。与传统的生成模型相比，scGFT 具有无需训练、计算效率高、能从单个细胞合成独特细胞群体等优势。这一成果不仅有助于解决单细胞研究中数据稀缺的难题，还为疾病机制研究、药物研发等领域提供了强有力的工具，推动了细胞靶向精准医学的发展。然而，研究人员也指出，虽然 scGFT 在合成数据方面表现出色，但仍需关注合成数据可能引入或放大偏差的风险，在临床决策等关键应用中，需要进行更严格的评估，以确保数据的生物学相关性和可靠性。
