SmartImpute：靶向填补框架提升单细胞转录组数据解析精度与效率

针对单细胞RNA测序(scRNA-seq)数据高丢失率影响下游分析的问题，Moffitt癌症中心团队开发了靶向填补框架SmartImpute。该研究通过多任务GAIN架构实现高效填补并保留生物零值，结合GPT技术定制标记基因面板，在头颈鳞癌、骨髓和肺癌数据中显著提升聚类、细胞注释和轨迹推断效果，且可扩展至百万级细胞数据集。该成果为解析细胞异质性提供了轻量级解决方案，发表于《Cell Reports Methods》。

　　

单细胞RNA测序(scRNA-seq)技术革命性地改变了我们对细胞异质性和组织复杂性的认知，但数据中的"丢失现象"(dropout)始终是困扰研究人员的难题。当基因表达量被记录为零时，可能源于真实生物沉默，也可能是技术误差或mRNA量不足所致。这种不确定性严重干扰细胞类型鉴定、差异表达分析和发育轨迹推断等关键分析。现有填补方法如SAVER、DCA等虽取得进展，但普遍存在计算成本高、可能引入人工噪声等问题，特别是在处理百万级细胞或空间组学数据时更显乏力。

美国H. Lee Moffitt癌症中心与研究所(H. Lee Moffitt Cancer Center & Research Institution)生物统计与生物信息学系的Sijie Yao、Xiaoqing Yu和Xuefeng Wang团队在《Cell Reports Methods》发表的研究，提出了创新性解决方案SmartImpute。这个靶向填补框架通过三大突破性设计攻克了传统方法的局限：首先采用标记基因靶向策略，将计算资源集中于约580个关键基因；其次改进生成对抗填补网络(GAIN)，通过多任务判别器区分真实生物零值与技术丢失；最后整合GPT模型实现智能基因面板定制。研究证明该方法在头颈鳞癌、骨髓和肺癌数据中均能显著提升分析质量，且成功应用于百万级细胞数据集和空间转录组数据。

关键技术方法包括：(1)基于注意力机制的靶向填补算法，仅对预设标记基因进行填补；(2)双判别器GAIN架构，其中D₁判别真实/填补数据，D₂识别生物零值（阈值τ=0.2）；(3)Wasserstein GAN(WGAN)优化训练过程；(4)GPT驱动的标记基因面板定制工具tpGPT；(5)使用10x Visium平台的空间转录组数据和HNSCC、骨髓等公开数据集验证性能。

研究结果主要体现在五个方面：

靶向填补策略验证

在头颈鳞癌标准化数据中，SmartImpute成功区分了CD4 Tconv、CD8 exhausted T等难以辨别的T细胞亚群。热图分析显示标记基因在对应细胞类型中形成清晰的对角线高表达区块，而非目标区域保持空白，证明其既能有效填补又避免过度拟合。与SAVER、DCA等方法相比，Jaccard指数提升至0.67，且运行时间显著缩短。

UMI计数数据应用

在头颈鳞癌原始计数数据中，SmartImpute清晰展现了髓系细胞（单核细胞、巨噬细胞和树突状细胞）与B细胞、浆细胞的分化轨迹。特别值得注意的是，该方法将CD8 T细胞亚型（如CD8 T_Exh、CD8 T_preExh和CD8 T_EM）的Azimuth预测F1分数从0.62-0.63提升至0.71-0.75，显著降低了与CD4 T细胞的混淆。

T细胞亚型解析

在纯化T细胞数据中，SmartImpute不仅区分了CD4⁺与CD8⁺ T细胞，还清晰展现了从初始态到调节性T细胞（CD4谱系）以及从效应态到耗竭态（CD8谱系）的发育轨迹，使Jaccard指数从0.48提升至0.63。

空间架构重建

在人前额叶皮层空间转录组数据中，SmartImpute使皮层分层结构更加清晰，空间自相关指标Moran's I从0.01提升至0.03。LRIG1（标记白质和6层少突胶质细胞）、CALD1（标记4层血管细胞）等基因的空间表达模式得到显著增强。

百万级数据扩展

在包含128万细胞的肺癌图谱中，SmartImpute仅用2.6小时即完成填补（NVIDIA A30 GPU），使调整兰德指数(ARI)从0.65提升至0.79。

这项研究的重要意义在于：生物学层面，通过保留真实生物零值，SmartImpute避免了传统方法可能造成的生物学意义扭曲；技术层面，靶向策略使计算效率提升5-10倍，为大规模单细胞研究提供可能；方法论层面，整合GPT的智能基因面板选择开创了知识驱动与数据驱动相结合的新范式。虽然该方法在空间坐标整合和超大基因面板选择方面仍有改进空间，但作为首个将靶向策略、对抗学习和语言模型结合的单细胞填补框架，SmartImpute为精准医学研究提供了重要工具，特别在肿瘤微环境解析和免疫治疗反应预测等领域具有广阔应用前景。