基于随机森林数据价值评估的单细胞转录组降采样方法scValue在机器学习任务中的优势与应用

本研究针对大规模单细胞RNA测序(scRNA-seq)数据在机器学习和深度学习(ML/DL)任务中的计算挑战，开发了基于随机森林OOB估计的"数据价值"评估方法scValue。该方法通过优先保留高价值细胞并根据细胞类型变异性分配样本量，在自动细胞类型注释(CTA)、标签转移学习等任务中显著优于现有降采样方法，为单细胞大数据分析提供了高效可靠的降维解决方案。

　　

在单细胞组学时代，海量的单细胞RNA测序(scRNA-seq)数据为生物医学研究带来了前所未有的机遇，但同时也带来了巨大的计算挑战。当前，人类细胞图谱(Human Cell Atlas)等大型项目产生的数据集往往包含数百万个细胞，这使得常规的数据分析和可视化变得异常困难。虽然已有多种降采样方法如GeoSketch、Sphetcher等被开发用于简化数据集，但这些方法主要关注几何距离或分布优化，未能充分考虑细胞在机器学习任务中的实际效用价值。如何在缩减数据规模的同时，最大程度保留对下游分析至关重要的生物学信息，成为亟待解决的关键科学问题。

中国医学科学院系统医学研究所的研究团队在《Briefings in Bioinformatics》发表了创新性研究成果，提出了一种名为scValue的新型降采样方法。该方法通过随机森林的袋外(OOB)估计量化每个细胞对细胞类型分类的贡献度，实现了基于"数据价值"的智能降采样。研究团队在16个大型scRNA-seq数据集上系统评估了scValue的性能，涵盖从3万到400万细胞规模、4到197种细胞类型的广泛生物学场景。结果显示，scValue不仅在计算效率上表现出色，更重要的是在多种机器学习任务中保持了接近全数据集的性能表现，为大规模单细胞数据分析提供了高效可靠的解决方案。

研究采用了多项关键技术方法：1)基于随机森林的OOB准确率计算细胞数据价值；2)考虑细胞类型丰度和价值变异性的加权分配策略；3)针对不同细胞类型复杂度的两种分箱选择策略(完全分箱FB和均值阈值分箱MTB)；4)使用16个公开数据集进行系统评估，包括人外周血单核细胞(PBMC)、小鼠脑组织等多样本类型。

【Overview of scValue】研究团队设计的三步法工作流程：首先训练随机森林分类器计算每个细胞的OOB准确率作为数据价值；其次根据细胞类型内价值变异性确定各类型的目标样本量；最后通过分箱策略选择高价值细胞形成最终子集。这种方法确保了稀有但信息丰富的细胞类型得到充分代表。

【Demonstration】在小鼠T细胞(mTC)数据集上的演示表明，scValue在保持细胞类型比例平衡的同时，显著改善了T细胞与调节性T细胞之间的分离度。与六种现有方法相比，scValue的降采样结果最接近完整数据集的分布特征。

【Evaluation】在四个CTA任务中的评估显示，scValue在2%-10%的降采样比例下持续领先。特别是在PBMC数据集上，10%降采样达到了0.8330的准确率(完整数据为0.8635)。对于稀有细胞类型的识别，scValue的优势更为明显，在mBrain数据集上10%降采样的稀有细胞识别准确率(0.7207)甚至超过了完整数据(0.6896)。

【Demonstration: scValue-core】针对标签噪声问题开发的scValue-core方法，通过CellTypist模型过滤低置信度细胞构建核心样本集，进一步提升了性能。在PBMC数据集上，scValue-core在10%降采样时达到0.8498的全细胞准确率和0.7162的稀有细胞准确率，优于标准scValue。

【Case study: Label transfer】在肠道-结肠数据集标签转移实验中，scValue降采样的结果最接近完整参考数据的分类模式，特别是在T滤泡辅助细胞(Tfh)的识别上表现出色，验证了其在跨数据集分析中的稳健性。

【Case study: Label harmonization】在20万细胞的人类脾脏数据集上，scValue降采样后通过CellHint构建的细胞类型层次关系树与完整数据最为接近，成功保留了跨研究间精细的T细胞亚型关系。

【Case study: Deconvolution】在21万细胞的T&ILC数据集上，scValue构建的单细胞参考用于MuSiC反卷积时，获得了最高的相关性(0.6851)和最低的误差(RMSE=0.0592)，证明其适用于(pseudo)批量组织样本分析。

【Comparison】在16个数据集上的综合评估表明，scValue在计算时间(排名2.4±0.8)和基尼系数(排名2.1±1.5)方面表现优异，同时保持了与均匀采样相当的Hausdorff距离(排名5.3±1.1)，实现了效率、平衡性和分布保真度的最佳权衡。

该研究的创新价值主要体现在三个方面：首先，将数据价值概念引入单细胞降采样，通过OOB准确率直接量化细胞对分类任务的贡献；其次，提出价值加权分配策略，自动调整稀有和复杂细胞类型的代表比例；最后，开发了适应不同复杂度的分箱选择方法，灵活应对从简单到高度异质性的数据集。这些创新使scValue在保持计算效率的同时，最大程度地保留了生物学相关信息，为单细胞大数据的可扩展分析提供了有力工具。

从应用前景看，scValue的价值不仅体现在细胞类型注释任务中，其通用框架可扩展至发育时序、疾病状态等多维度分析。研究者建议的未来发展方向包括整合局部密度等附加指标以增强鲁棒性，以及探索"最小可行子集"概念来优化资源受限场景下的分析流程。值得注意的是，虽然scValue在分类相关任务中表现出色，但对于依赖完整表达分布的分析如差异表达，研究者推荐结合其他降采样策略或验证完整数据结果。

这项研究代表了单细胞数据分析方法学的重要进步，其开发的Python开源包(scvalue)可通过pip直接安装，为领域内研究者提供了便捷的工具。随着单细胞技术的持续发展和数据规模的不断扩大，像scValue这样兼顾效率与精度的智能降采样方法，将在构建全面、可扩展的细胞图谱中发挥越来越关键的作用。