综述：基于深度学习的解卷积方法：系统性综述

这篇综述系统评估了人工智能（AI）与深度学习（DL）在细胞解卷积工具开发中的应用，聚焦转录组学数据（RNA-seq）分析，强调高质量参考图谱对提升解卷积精度的关键作用，并基于PRISMA指南筛选文献，指出当前标准化方法与模型可解释性改进的迫切需求。

　　

背景与意义

细胞解卷积技术通过计算手段从混合转录组数据中解析细胞类型比例，已成为研究组织异质性的核心工具。传统方法如线性回归或非负最小二乘法（NNLS）依赖线性假设，而深度学习通过多层神经网络捕捉非线性关系，显著提升了复杂样本的解析能力。尤其在肿瘤免疫微环境分析中，DL模型可识别传统方法难以检测的稀有细胞群，例如在乳腺癌（BC）和结直肠癌（CRC）中量化免疫细胞浸润程度。

方法学进展

主流DL架构包括多层感知机（MLP）、卷积神经网络（CNN）和自编码器（AE）。MLP因结构简单成为首选，如Scaden采用三网络集成策略；而TAPE首次引入AE生成基因表达谱。值得注意的是，Transformer架构虽在基因组学中崭露头角，但尚未广泛应用于解卷积领域。数据预处理环节存在显著差异：PBMC样本常采用Scanpy或Seurat进行质量控制，线粒体基因阈值设定从5%至20%不等，凸显标准化缺失的问题。

关键挑战

1. 数据依赖性：模型性能高度受限于训练数据质量，如Digitaldlsorter依赖人工合成数据增强，而UCDBase通过千万级样本训练仍面临泛化难题。
2. 组织特异性：胰腺内分泌细胞（α/β细胞）与脑组织神经元亚型的解析需要定制化模型，通用架构直接迁移可能导致误差累积。
3. 评估标准不统一：各研究采用不同指标（RMSE/CCC/r），且基准数据集以PBMC为主，缺乏跨组织验证。

应用前景

在临床转化方面，DeepDecon通过迭代优化实现AML肿瘤纯度检测（RMSE=0.13），而GBMPurity针对胶质母细胞瘤的纯度预测（r=0.86）展现DL在癌症预后中的潜力。未来方向包括：开发组织自适应架构、整合空间转录组数据，以及建立开源基准平台促进方法比较。

结论

当前DL解卷积工具已突破传统方法的技术天花板，但需解决数据标准化与生物学可解释性瓶颈。跨学科合作将推动该领域从算法创新迈向临床实用化，最终实现个体化医疗的精准细胞图谱构建。