无标注单细胞数据中疾病相关细胞的混合建模多示例学习发现方法

这篇研究创新性地提出混合建模多示例学习（MMIL）算法，通过患者级标签实现单细胞水平的疾病关联分类，在急性白血病（AML/ALL）数据集验证中，其识别准确度接近血液病理学家水平，尤其擅长检测微小残留病（MRD）细胞，为缺乏金标准细胞标注的疾病机制研究和临床诊断提供了新范式。

　　

混合建模多示例学习（MMIL）的创新突破

算法原理与优势

研究团队开发的MMIL算法通过期望最大化（EM）框架，仅需患者疾病状态标签即可训练细胞级二元分类器。其核心在于交替执行两个步骤：利用当前分类器预测细胞标签概率（E步），再用这些概率重新训练分类器（M步）。该算法兼容多种基础分类器（如lasso回归、梯度提升树等），并能整合部分标注数据，通过参数ρ（患者中基线细胞比例）和ζ（预测群体中患者细胞占比）调控模型敏感性。

在白血病诊断中的卓越表现

应用AML CyTOF数据集（13患者+3健康对照）时，MMIL在留一法交叉验证中达到0.751的平均AUROC，显著优于朴素模型（0.658），且与病理学家标注的"金标准"模型（0.945）特征选择高度一致。关键的是，MMIL成功识别出临床相关标志物：乳铁蛋白（lactoferrin）、核纤层蛋白A/C（lamin A/C）、CD45和核糖体RNA（rRNA），其中rRNA的阳性系数与病理诊断标准吻合。UMAP可视化显示，MMIL高概率区域与病理学家标注的AML原始细胞分布高度重叠。

半监督学习的鲁棒性提升

在"1-shot"实验中，仅需单个患者的标注数据即可使MMIL的AUROC提升0.058。当故意引入25%标注错误时，MMIL仍保持0.815的稳定性能，显著优于传统监督学习模型。这验证了其抗标注噪声能力，对存在观察者间变异的血液病理诊断（如AML原始细胞计数差异达25%）具有重要价值。

跨时间点与组织的泛化能力

在ALL纵向研究中，MMIL训练的诊断期模型对治疗第15天的外周血样本仍保持0.815的AUROC，而朴素模型性能降至0.662。这归功于其准确识别CD10⁺CD19⁺PAX5⁺CD34⁺的B细胞前体白血病表型，以及MRD标志物CD58——这些特征在化疗后仍稳定表达。

MRD预测的临床转化价值

在51例ALL诊断样本中，MMIL通过99%分位数概率阈值前瞻性区分MRD⁺/MRD^-患者（AUROC=0.82）。更引人注目的是，诊断期高MMIL概率细胞在5例配对复发样本中显著扩增（P=0.006），这些细胞特征性高表达Ki-67、TSLPR和RAG1，暗示增殖与免疫逃逸机制可能是治疗抵抗的关键。

方法论比较与局限

相较于传统多示例学习（如mi-SVM）和聚类方法（PhenoGraph/FlowSOM），MMIL避免了联合概率计算偏差，更适合大规模单细胞数据。但需注意：①健康对照需确保无疾病细胞污染；②对批次效应敏感，需预先校正；③高维数据建议配合PCA降维（前15个PC可保留12%变异）。

这项研究为单细胞数据分析开辟了新途径，特别是在缺乏完整标注的复杂疾病（如癌症、自身免疫病）研究中，MMIL既能发现已知生物标志物，又能识别新型疾病相关细胞群体，有望推动精准诊断和动态监测的技术革新。