CYCLONE：基于循环对比学习的单细胞基因表达数据整合方法及其在批次效应消除中的应用

本研究针对单细胞RNA测序(scRNA-seq)数据整合中批次效应(batch effect)干扰和批次特异性细胞类型识别难题，开发了基于循环对比学习(recycle contrastive learning)和变分自编码器(VAE)的整合方法CYCLONE。该方法通过周期性更新互最近邻对(MNN)和K最近邻对(KNN)构建高置信度正样本对，在消除批次效应的同时保留批次特异性信息。实验证明CYCLONE在模拟和真实数据集上均能显著提高聚类精度(ARI/NMI指标)，其创新性的循环更新策略使正样本对匹配准确率提升125%，为单细胞多组学数据整合提供了新思路。

　　

在单细胞生物学研究领域，单细胞RNA测序(scRNA-seq)技术革命性地改变了科学家观察细胞异质性的方式。然而当整合不同实验批次的数据时，试剂差异、操作流程等非生物因素导致的批次效应(batch effect)会严重干扰真实生物学信号的解析。传统方法如Seurat和Harmony虽能部分消除批次差异，但存在过度校正(overcorrecting)破坏批次特异性细胞类型，或校正不足(undercorrecting)导致批次混杂等问题。更棘手的是，基于互最近邻对(Mutual Nearest Neighbors, MNN)的对比学习方法，其性能高度依赖初始正样本对的准确性——在基因表达数据噪声较大的情况下，这些"锚点"细胞对的错误匹配将导致整个整合过程偏离正确方向。

针对这一技术瓶颈，中国地质大学(武汉)数学与物理学院的研究团队在《BMC Bioinformatics》发表了创新性研究成果。该团队开发的CYCLONE方法通过三大技术突破实现了批次效应消除与生物学信号保留的平衡：首先将变分自编码器(Variational Autoencoder, VAE)与对比学习网络联合训练，利用VAE的降噪特性获取更纯净的低维表征；其次创新性地引入循环更新机制，每10个训练周期重新从低维空间筛选MNN/KNN对，使正样本匹配准确率从初始6,389对提升至14,419对；最后通过加权融合批次间MNN和批次内KNN构建正样本对，既扩展了共享细胞类型的覆盖范围，又有效隔离了批次特异性细胞群体。

关键技术方法包括：(1)使用Scanpy进行数据预处理，包括低质量细胞过滤、log标准化和高变基因筛选；(2)构建VAE网络(编码器1024-512-256，瓶颈层32维)与对比学习投影层(输出16维)的联合训练框架；(3)动态采样策略(λ_i~U(0.9,1))生成增强正样本对；(4)采用余弦相似度优化的InfoNCE损失函数；(5)在30个训练周期内进行2次正样本对更新。实验使用1个模拟数据集和5个真实数据集(最大规模32,472细胞)，与8种主流方法进行对比。

性能验证结果
在模拟数据集上，CYCLONE的调整兰德指数(Adjusted Rand Index, ARI)达到0.91，显著优于第二名scVI(0.87)。可视化结果显示其能准确识别仅存在于Batch 3的批次特异性细胞群(Group 4)，而scVI错误地将该群细胞与其他批次混合。在真实数据集Bct-s中，虽然scVI的ARI略高(0.82 vs 0.81)，但CYCLONE是唯一正确分离乳腺上皮细胞亚型(luminal_mature仅出现在avis/wal批次)的方法，避免了Seurat的过度校正和Scanorama的校正不足。

循环更新机制验证
热图分析显示，在人类PBMC数据集上，正样本对匹配准确率随更新次数显著提升：初始周期6,389对→第一次更新13,983对→第二次更新14,419对。消融实验证实，完整版CYCLONE在五个真实数据集上的平均ARI(0.79)比去除循环更新策略的版本(0.72)提升9.7%，证明该机制对性能提升的关键作用。

计算效率优势
在32,472细胞的人类肺细胞数据集上，CYCLONE仅需1.8小时完成整合，内存消耗为五种深度学习方法中最低。其时间复杂度的线性增长特性(O(n))显示出处理超大规模单细胞图谱的潜力。

这项研究的核心突破在于建立了"降噪-验证-增强"的正样本对优化闭环：通过VAE获取初步低维表征→筛选可靠细胞对→对比学习优化表征→基于优化后表征重新筛选更准确的细胞对。这种循环迭代机制从根本上解决了传统MNN方法"垃圾进垃圾出"(garbage in garbage out)的困境。特别值得注意的是，CYCLONE在保留批次特异性信息方面的性能，为研究肿瘤微环境异质性、发育轨迹分支等需要区分技术变异与真实生物学差异的场景提供了新工具。未来工作可探索该框架在多组学数据整合中的应用，以及结合负样本自由(negative-free)对比学习策略进一步降低计算成本。