CellMentor：基于细胞类型感知的非负矩阵分解算法实现单细胞RNA测序数据的监督降维

《Nature Communications》：CellMentor: cell-type aware dimensionality reduction for single-cell RNA-sequencing data

针对现有降维方法难以平衡技术噪音去除与细胞类型信号保留的问题，研究人员开发了CellMentor——一种基于非负矩阵因子分解（NMF）的完全监督降维方法。该方法通过将细胞类型标签直接整合到优化目标中，在模拟和实验数据中均展现出优异的细胞类型分离、稳健的批次校正和稀有细胞群检测能力，为跨实验的单细胞整合分析提供了有力工具。

　　

在当今生命科学领域，单细胞RNA测序（scRNA-seq）技术犹如一把高精度显微镜，让研究人员能够以前所未有的分辨率观察细胞群体的异质性。这项技术通过测量单个细胞中数千个基因的活性，揭示了细胞类型多样性、发育轨迹和疾病机制等关键生物学问题。然而，随着数据量的爆炸式增长，分析这些高维数据已成为现代生物信息学面临的重要挑战。

单细胞RNA测序数据的分析流程通常包括质量控制、标准化、特征选择、降维和无监督聚类等步骤。其中，降维作为关键环节，旨在将数万个基因的表达信息压缩到更低维度的空间，以便进行可视化和下游分析。目前最常用的方法是主成分分析（PCA），但它存在明显局限性：假设线性关系、对异常值敏感，最重要的是无法利用先验的细胞类型知识。更棘手的是，批次效应——即不同实验批次间的技术差异——往往在数据变异中占主导地位，导致PCA更多地捕捉技术变异而非真实的生物学信号。

虽然已有一些方法试图解决这些问题，如Harmony专注于批次校正，scVI等深度学习模型展现出潜力，但它们都非专门为细胞类型识别这一核心应用场景优化。非负矩阵分解（NMF）作为替代方法，因其非负约束和部分表示特性而特别适合基因表达数据分析，但现有NMF方法如CASSL、LIGER等仅使用间接监督，未能将细胞类型判别直接整合到矩阵分解目标中。

面对这些挑战，来自以色列理工学院的研究团队开发了CellMentor——一种完全监督的降维框架，专门为细胞类型识别工作流程优化。该方法的核心创新在于将细胞类型标签直接融入NMF优化目标，创建出细胞类型最大程度可分的低维表示，从而显著提升下游聚类和注释的准确性。

研究人员主要采用了监督非负矩阵分解技术框架，结合创新的双白化（biwhitening）秩选择方法和特征向量定位分析，开发了包含重建项、稀疏约束、正交约束、类内紧致性和类间分离性的多目标优化函数。通过系统模拟实验和真实数据集（包括胰腺组织、外周血单核细胞和黑色素瘤样本）验证，并与13种现有方法进行基准测试，评估指标主要采用调整兰德指数（ARI）和标准化互信息（NMI）。

2.1 CellMentor概览

CellMentor采用两阶段框架：分解阶段使用监督NMF从标记的参考数据集中学习细胞类型特异性模式，获得基因-因子矩阵W和因子-细胞矩阵H_ref；投影阶段将学习到的W矩阵应用于新的查询数据集，将其投射到相同的生物学意义潜在空间中。该方法通过平衡重建精度、稀疏性、正交性、类内紧致性和类间分离性的损失函数，确保降维结果既保留生物学信号又减少技术变异。

2.2 分解阶段的开发与优化

研究团队解决了降维中的关键挑战——确定最佳因子数K。他们结合双白化方法与特征向量分析，通过比较经验特征值分布与理论Marchenko-Pastur分布，并设置0.01的显著性水平进行特征向量定位过滤，有效排除技术噪音维度而保留生物学变异维度。监督学习框架通过融入判别约束指导降维过程，优化函数平衡四个关键组件，并采用可调参数适应局部和全局数据特征。

2.3 在模拟数据中评估CellMentor

通过Splatter模拟框架生成逐渐增加复杂度的scRNA-seq数据集，CellMentor在10个模拟场景中平均ARI达0.96，显著优于CASSL（0.89）、PCA/Seurat（0.719）和scANVI（0.57）。在更具挑战性的四批次模拟中，CellMentor保持稳定优异表现（ARI=1），而专门用于批次整合的Harmony在最具挑战性场景中ARI降至0.16。此外，CellMentor在参考数据标注不完整、存在误标（即使50%随机误标仍保持ARI=0.9）、针对性特征扰动和稀有细胞检测（1%比例）等挑战性场景中均表现出卓越鲁棒性。

2.4 在不同组织类型中的应用

在真实数据集评估中，CellMentor在胰腺组织、PBMC和黑色素瘤数据集中均表现优异。特别是在PBMC分析中，CellMentor成功整合不同患者批次的同时保持清晰的细胞类型边界，而PCA则按患者批次而非细胞类型形成独立聚类。跨技术平台转移分析显示，CellMentor在Tabula Muris数据集的10个组织类型中平均ARI达0.805，显著优于第二佳的PCA/Seurat方法（0.671），证明其学习的技术不变生物学特征能有效跨主要测序平台泛化。

2.5 计算性能

计算分析表明CellMentor的运行时间与其它基于NMF的方法相当。分解阶段是计算最密集的步骤，而投影阶段相对快速，这使得方法在相同参考数据集用于多个查询数据集时具有实际可行性。系统参数敏感性分析确定了提供强劲性能而无需大量优化的默认参数范围，显著降低了计算需求。

CellMentor通过其监督学习框架，成功解决了单细胞RNA测序分析中的关键挑战。该方法不仅在不同组织类型和实验条件下表现出卓越的细胞类型分离能力，而且在批次效应校正、稀有细胞检测和跨平台数据分析方面展现出明显优势。其两阶段设计（分解和投影）使学习到的生物学模式能够有效转移到新数据集，为整合不断增长的单细胞图谱数据提供了有力工具。

尽管CellMentor在多项测试中表现优异，研究团队也指出了其局限性。作为监督方法，其性能依赖于参考数据标注质量，误标可能导致误导性因子。此外，在参考-查询不匹配场景下（如查询数据包含参考中完全缺失的细胞类型，或数据集间存在极大技术差异），性能可能下降。未来工作可进一步探索学习因子的生物学可解释性，以及扩展方法应用于更复杂的研究场景。

随着单细胞图谱的持续扩展和基于参考的分析日益普及，像CellMentor这样能够有效传递知识同时保留生物学信号的方法，将在从复杂单细胞数据中提取有意义见解方面发挥越来越重要的作用。该方法结合了生物学可解释性、技术鲁棒性和监督学习框架，解决了该领域的关键挑战，使其成为单细胞分析工具箱中有价值的补充。