基于优化 LOESS 回归与阳性率重新定义高可变基因：单细胞转录组分析新突破

《BMC Bioinformatics》：Redefining the high variable genes by optimized LOESS regression with positive ratio

为解决单细胞 RNA 测序（scRNA-seq）数据高维度、稀疏性及现有特征选择方法的不足，研究人员开展了重新定义高可变基因（HVGs）的研究。结果显示，开发的 GLP 算法性能优于其他方法，有助于提升下游分析效果，为 scRNA-seq 数据分析提供了有力工具。

　　在生命科学研究领域，单细胞 RNA 测序（scRNA-seq）技术的出现宛如一盏明灯，照亮了科学家们探索细胞奥秘的道路。它能够在单个细胞水平上揭示转录组学特征和细胞异质性，为理解生命过程和疾病机制带来了前所未有的机遇。然而，这一技术产生的数据存在高维度和稀疏性的问题，就像一片茂密而复杂的丛林，让后续的分析困难重重。例如，在分析海量基因表达数据时，高维度数据会增加计算成本，降低分析效率；而稀疏性则使得准确捕捉基因表达的真实信号变得极为困难，就像在嘈杂的环境中分辨微弱的声音一样。

同时，现有的基因特征选择方法也面临着严峻挑战。这些方法大致分为基于统计或分布模型以及依赖聚类或图论的方法。但由于 scRNA-seq 数据的稀疏性和 dropout 噪声（因技术或生物学因素导致基因表达未被检测到的现象），这些方法往往难以准确识别高可变基因，无法有效捕捉单细胞基因表达的异质性。这不仅会导致基因共表达网络构建不准确，还会影响细胞聚类和功能富集分析的结果，使得研究人员可能得出错误的结论。

为了突破这些困境，中国科学院大学、华大基因研究院等机构的研究人员展开了深入研究。他们致力于开发一种更强大、更准确的特征选择算法，以提高单细胞转录组数据分析的质量和效率。最终，研究人员成功开发出一种基于优化局部估计散点图平滑回归（LOESS）和阳性率的特征选择算法 ——GLP（Genes identified through LOESS with positive ratio）。该算法在多个方面展现出显著优势，为单细胞转录组数据分析带来了新的突破，相关研究成果发表在《BMC Bioinformatics》上。

研究人员在开展此项研究时，主要运用了以下关键技术方法：首先，收集了 20 个来自不同生物系统的公开单细胞数据集，涵盖了免疫系统、骨髓、小鼠大脑和肿瘤等多个领域，这些数据集包含原始测序矩阵和注释的细胞类型标签。然后，使用 Seurat 软件包对数据进行预处理，包括创建 Seurat 对象、归一化处理和缩放处理，以消除测序深度差异和基因特异性变异的影响。接着，利用主成分分析（PCA）进行降维，通过共享最近邻（SNN）图和 Louvain 算法进行聚类分析。在差异基因表达分析中，使用 Seurat 的 FindAllMarkers 函数和 Wilcoxon 秩和检验确定差异表达基因。最后，借助 slingshot 软件包进行轨迹推断，探索细胞分化轨迹。

下面来看看具体的研究结果：

1. GLP 性能优于现有方法：研究人员将 GLP 与八种先进的特征选择算法进行比较，使用调整兰德指数（ARI）、归一化互信息（NMI）和轮廓系数等指标评估聚类性能。在 20 个数据集上的综合评估表明，GLP 在 ARI 和 NMI 指标上显著优于其他方法，其中位数分别为 0.54 和 0.62，相比排名第二的方法有明显提升。在轮廓系数方面，GLP 也具有显著优势，除了 FEAST、M3Drop、NBDrop 和 HRG 这几种方法外。而且 GLP 仅用 1000 个基因就能达到最佳性能，且所选基因集更能反映单细胞数据中阳性率的分布特征，减少了技术噪声的影响，提高了下游分析的稳健性。
2. GLP 助力下游分析：在人类端脑类器官 scRNA-seq 数据集的研究中，GLP 再次展现出卓越性能。在降维和聚类方面，GLP 的 ARI、NMI 和轮廓系数分别达到 0.585、0.689 和 0.384，恢复率高达 72.8%，能够更准确地将细胞分类到已知类别。例如，GLP 成功将径向胶质分裂祖细胞（RGs/DividingPr）分为两类，与原始数据中的细胞类型相符，而其他方法未能做到。在差异基因表达分析中，GLP 所识别的高可变基因有助于更准确地进行细胞分类，其确定的差异表达基因（DEGs）平均 log₂倍数变化（log₂FC）中位数更高，增强了分析的敏感性。在轨迹推断方面，GLP 准确识别出中间祖细胞（IPCs）来源于 RGs/DividingPr，而不是少突胶质前体细胞（OPCs），成功重建了细胞分化关系，为研究细胞分化动态过程提供了重要依据。
3. GLP 的计算效率：在计算效率方面，M3Drop 是最快的算法，平均运行时间不超过 3 秒，而 GLP 平均运行时间为 46.97 秒，排名第五。虽然 GLP 的运行时间相对较长，但在 20 个数据集中，只有 4 个数据集的运行时间超过 1 分钟，最长为 104 秒。其较长的运行时间主要是由于计算 LOESS 跨度宽度的最优值，这一过程虽然耗时，但对提高结果准确性至关重要，整体运行时间对于单细胞数据分析来说是可接受的。

综上所述，研究人员开发的 GLP 算法为 scRNA-seq 数据的特征选择提供了一种创新且有效的解决方案。它通过整合阳性率和 LOESS 回归，能够更准确地识别高可变基因，减少噪声影响，提升下游分析的准确性和有效性，在降维、聚类、差异基因表达分析和轨迹推断等方面都展现出显著优势。尽管 GLP 存在计算复杂度较高和固定选择 HVGs 数量等局限性，但这并不影响其在单细胞转录组分析领域的重要价值。随着技术的不断发展，未来有望通过优化计算方法进一步提升 GLP 的性能，使其在生命科学研究和医学领域发挥更大的作用，为揭示细胞奥秘、理解疾病机制提供更有力的支持。