CellMemory：基于瓶颈Transformer架构的分布外细胞层级解析新方法及其在单细胞多组学中的应用

《Genome Biology》：CellMemory: hierarchical interpretation of out-of-distribution cells using bottlenecked transformer

本研究针对单细胞组学中分布外(OOD)细胞解析的挑战，受认知神经科学全局工作空间理论(GWT)启发，开发了CellMemory这一瓶颈Transformer架构。该模型通过交叉注意力机制实现细胞表征学习，在15M+细胞数据中展现出卓越的泛化能力，成功解析了空间转录组数据并阐明肺癌患者的肿瘤异质性，为精准医学提供了新型可解释AI工具。

在单细胞组学时代，科学家们正试图构建类似"人类基因组计划"的细胞图谱共识参考，如人类细胞图谱(Human Cell Atlas)和Tabula Sapiens等项目。然而，来自不同个体、技术平台或物种的细胞往往表现出显著分布差异，这些偏离参考范式的细胞被定义为分布外细胞(OOD)。特别是在疾病研究中，恶性细胞与健康细胞间的状态差异，以及不同患者间肿瘤细胞的异质性，使得准确表征这些OOD细胞成为重大挑战。现有方法在同时进行细胞身份推断和数据整合时往往力不从心，且难以充分考虑基因互作关系，而可解释人工智能(xAI)在OOD细胞解析中的应用更是一片未经充分探索的领域。

中国国家生物信息中心的研究团队受神经科学中全局工作空间理论(GWT)启发，开发了CellMemory这一创新瓶颈Transformer架构。该模型模拟大脑中信息竞争写入有限记忆空间的机制，通过交叉注意力实现高效信息处理，在无需预训练的情况下，仅用单轮分析即可完成从粗粒度到细粒度的细胞状态解析。相关研究成果发表在《Genome Biology》上，为单细胞多组学研究提供了新的方法论工具。

研究团队采用了多项关键技术：1）基于GWT的瓶颈Transformer架构设计，使用8个记忆槽(H)实现信息竞争与广播；2）跨15个数据集逾1500万细胞的基准测试体系；3）多层次可解释性分析框架（基因水平和基因程序水平）；4）整合单细胞与空间转录组（CosMx/MERFISH/Slide-seq）的跨组学策略；5）基于注意力分数的肿瘤起源细胞追踪方法。特别值得注意的是，所有分析均使用真实临床样本队列，包括来自亚洲免疫多样性图谱(AIDA)的503名健康供体、52例肺癌患者样本以及混合表型急性白血病(MPAL)病例。

方法学创新方面，CellMemory通过"专家模块-记忆空间"的层级结构实现了突破。在"专家模块"中，基因表达值通过词嵌入策略转化为离散token，与CLS标记共同构成K维嵌入空间。记忆空间则通过交叉注意力机制实现信息过滤，其计算公式为：D=?V，其中?=Top_k(softmax(Q?K?^T/√d))。这种设计使模型参数量减少的同时，时间复杂度和空间复杂度分别降至O(MHK)和O(MH)，远优于传统Transformer的O(M²K)和O(M²)。

在基准测试结果中，CellMemory展现出三大优势。首先在泛化性能上，其在hPancreas数据集对罕见β_minor细胞（占比0.3%）的识别准确率达81%，远超Geneformer（11%）和Seurat（0%）。其次在计算效率方面，相比传统自注意力架构，训练耗时降低约40%。最重要的是处理长序列能力，可同时分析131个精细细胞状态，在SEA-AD数据集达到90%的准确率，较scPoli提升30%。

空间组学解析方面，CellMemory实现了亚细胞级精度的表征。在10x Xenium乳腺癌数据中，通过KRT15+上皮细胞的注意力分数分布，准确识别出导管原位癌(DCIS)区域的侵袭性差异。更引人注目的是，在Slide-tags人皮层数据分析中，模型成功鉴定出仅占0.43‰的Micro-PVM_1稀有细胞状态，其标记基因F13A1的注意力模式与表达谱高度一致。

在疾病机制解析方面，研究取得三项重要发现。首先，通过健康参考表征混合表型急性白血病(MPAL)，发现始祖细胞样状态占主导，其中记忆槽3聚焦"造血细胞谱系"通路，槽4关注"氧化应激反应"，与白血病干细胞特征相符。其次，在髓母细胞瘤(MB)研究中，首次系统鉴定出三类起源细胞：eCN/UBC（兴奋性小脑中间神经元/单极刷细胞）、RL（菱形唇）和GCP（颗粒细胞前体），为亚型特异性治疗提供新靶点。

最具临床价值的是对肺癌异质性的解析。通过构建"AT2-1→AT2-2→过渡细胞→肿瘤细胞"的演化轨迹，发现AT2-2细胞同时丢失AT2特征(SFTPC)和获得肿瘤相关特性（SCGB3A2）。在PA03患者中，ClubtoTrans细胞表现出与肿瘤细胞相似的拷贝数变异(CNV)模式，特别是在KRT8、CEACAM6等致癌区域，提示部分肺腺癌(LUAD)可能通过支气管细胞转分化发展而来。

这项研究的结论与讨论部分强调了三大科学意义：其一，CellMemory首次将认知科学理论与深度学习相结合，为单细胞分析开辟了新范式；其二，模型的可解释机制使研究者能追溯肿瘤细胞的发育起源，如发现Group3/4髓母细胞瘤分别起源于RL和eCN/UBC；其三，在肺癌研究中揭示的AT2-2中间态和ClubtoTrans细胞，为理解肿瘤异质性和药物抵抗提供了全新视角。值得关注的是，所有发现均得到CNV分析和细胞互作网络的支持，且与既往报道的HLA-E免疫逃逸机制相印证。

技术层面上，该研究证实了瓶颈架构在生物医学AI中的独特价值。记忆槽的竞争机制天然适合处理单细胞数据的稀疏性和高噪声，而广播机制则保证了信息的全局整合。这种设计使得CellMemory在保持高性能的同时，参数量仅为传统Transformer的1/8。作者特别指出，与Perceiver等通用架构相比，CellMemory在基因程序解析方面具有显著优势，其记忆槽能自发聚焦于特定生物学通路。

展望未来，随着单细胞参考图谱的不断完善，CellMemory有望成为跨模态数据整合的标准工具。特别是在空间多组学和临床样本分析中，其处理长token序列的能力将大大降低预训练成本。研究者建议下一步可探索记忆槽与已知生物通路的对应关系，这将进一步提升模型的可解释性，推动精准医学的发展。