scICE：基于多簇标签一致性评估提升单细胞RNA测序数据聚类可靠性与效率的新方法

《Nature Communications》：scICE: enhancing clustering reliability and efficiency of scRNA-seq data with multi-cluster label consistency evaluation

单细胞RNA测序(scRNA-seq)数据分析中，聚类算法的随机性导致结果不稳定。韩国基础科学研究院团队开发scICE工具，通过并行计算和新型不一致系数(IC)评估，实现比传统方法快30倍的聚类一致性检测，在48个数据集验证中成功识别所有可靠聚类结果，为大规模单细胞研究提供高效稳健的分析方案。

在单细胞生物学研究领域，聚类分析如同给细胞"分班级"的关键步骤，决定着后续细胞类型鉴定、差异基因分析等研究的可靠性。然而这个看似基础的过程却暗藏玄机——由于Louvain、Leiden等主流聚类算法内含随机种子设定，就像每次开学随机打乱班级名单，导致相同数据在不同次分析中可能产生截然不同的聚类结果。这种"班级重组"现象使得研究者们难以确定哪些细胞群体是真实存在的生物学发现，哪些只是算法随机性造成的假象。

更棘手的是，现有解决方案如multiK、chooseR等方法需要反复执行计算密集的预处理和降维步骤，构建复杂的共识矩阵，使得分析超过1万个细胞的大规模数据集时耗时长达数小时。这种效率瓶颈严重制约了单细胞研究的规模和可重复性，就像用算盘处理大数据时代的计算需求。

针对这一挑战，韩国基础科学研究院(IBS)的Hyun Kim、Jae Kyoung Kim团队在《Nature Communications》发表创新研究成果。研究团队开发的单细胞不一致聚类评估器(scICE)通过三大技术突破实现革命性改进：首先采用元素中心相似性(ECS)替代传统共识矩阵，将计算复杂度从O(n²)降至O(nK)；其次利用并行计算架构，将图形构建与聚类任务分配到多处理器同步执行；最后创新性提出不一致系数(IC)指标，无需超参数即可量化聚类稳定性。这些技术组合使scICE在保持生物学相关性的同时，实现较传统方法30倍的加速。

关键技术方法包括：1)基于scLENS降维和UMAP图形构建的预处理流程；2)采用改进的Leiden算法进行并行聚类，设置随机性参数为0.1并使用恒定波茨模型(CPM)优化；3)开发二元搜索算法确定分辨率参数范围；4)通过100次bootstrap计算IC值分布评估稳定性；5)对边界细胞群体实施亚聚类分析。测试数据集涵盖真实和scDesign2模拟的48个scRNA-seq数据集，包括超过1.2万细胞的10x Genomics公共数据。

高效聚类一致性评估体系
研究团队设计了一套完整的评估框架：首先通过二分法确定每个聚类数对应的分辨率参数范围，随后在参数空间均匀采样11个点进行稳定性检测。关键创新在于采用ECS替代传统方法，通过计算细胞-细胞亲和矩阵差异的L1范数，转化为直观的成员一致性评分。当15次聚类产生的标签经100次bootstrap重采样后，中位IC值低于1.005(约0.25%成员不一致)即判定为稳定聚类。在6000个小鼠脑细胞测试中，该方法成功识别出6簇(IC=1)和15簇(IC=1.01)的稳定方案，同时发现7簇划分(IC=1.11)存在显著不稳定性。

大规模数据集验证
在48个真实和模拟数据集测试中，scICE平均将候选聚类数从20个缩减至6个(减少70%)。特别值得注意的是，在具有层次结构的免疫细胞数据中，该方法可同时识别多个层级稳定的聚类方案；而在无层次结构的Tabula Muris模拟数据中，稳定聚类比例进一步降至14%。尽管采用严格阈值(IC<1.005)，仍有46个数据集的"黄金标准"聚类被成功保留，包括ZhengMix_4757血液细胞数据中7种真实细胞类型的精确识别。

亚聚类技术突破
针对单分辨率限制导致的罕见细胞类型漏检问题，研究团队开发了scICE亚聚类流程。在ZhengMix_4757数据中，初始分析未能稳定分离调节性T细胞与初始T细胞(IC≈1.01)。通过提取边界细胞子集重建UMAP图形后，亚聚类成功识别这两个亚群(IC=1)。类似地，在模拟T细胞数据中，效应记忆CD4⁺和组织驻留记忆CD8⁺ T细胞亚群也被准确分离。该技术在小鼠性腺白色脂肪组织(snRNA-seq)和SARS-CoV-2感染肺组织数据中，成功复现了单核细胞/巨噬细胞亚群和肺泡上皮细胞(AT1/AT2)的已知生物学分类。

这项研究通过算法创新和系统工程优化，解决了单细胞数据分析中长期存在的可重复性挑战。scICE不仅提供比传统方法快30倍的分析速度，其独特的亚聚类策略更突破了单分辨率参数的技术限制。这些进展使得研究人员能够从海量单细胞数据中快速锁定可靠的细胞分类方案，为精准识别稀有细胞亚群、解析细胞状态连续体等前沿课题提供了强有力的分析工具。该技术已开源实现为Julia语言软件包，其设计理念也为其他高通量组学数据的稳定性评估提供了重要参考。