BiAEImpute：基于双向自编码器的单细胞转录组学高保真缺失值插补新方法

为解决单细胞RNA测序（scRNA-seq）数据中因dropout事件导致的基因表达值缺失问题，研究人员开发了基于双向自编码器的插补模型BiAEImpute。该模型通过整合细胞和基因特征，显著提升了缺失值恢复的准确性，并有效改善了细胞聚类、标记基因识别和发育轨迹推断等下游分析效果，为单细胞研究提供了可靠工具。

　　

单细胞RNA测序（scRNA-seq）技术能够揭示细胞转录组的异质性和动态变化，已成为生物医学研究的重要工具。然而，由于技术限制，scRNA-seq数据中存在大量“dropout事件”，即实际表达的基因被错误检测为零值。这些缺失值严重影响下游分析的准确性，例如细胞类型鉴定、标记基因识别和发育轨迹重建等。尽管已有多种插补方法被提出，包括基于平滑处理（如MAGIC）、概率模型（如scImpute）、矩阵分解（如ALRA）和深度学习（如deepImpute）的方法，但它们往往难以同时捕捉细胞间和基因间的复杂关系，或会引入额外偏差。因此，开发一种能够精准恢复缺失值且保持生物学变异的方法迫在眉睫。

为解决这一问题，张义等人提出了一种名为BiAEImpute的新型插补方法，该研究发表于《BMC Genomics》。BiAEImpute基于双向自编码器架构，通过行方向（细胞-wise）和列方向（基因-wise）的自编码器分别学习细胞和基因的特征，并利用其协同整合进行缺失值估计。该方法专注于插补零值，而非所有基因的表达值，从而减少了潜在偏差。实验证明，BiAEImpute在多个真实数据集上均优于现有方法，显著提升了下游分析的准确性。

作者采用的主要技术方法包括：使用四个真实scRNA-seq数据集（Zeisel、Romanov、Usoskin和Klein）和Splatter模拟数据集进行模型训练与验证；通过最大最小归一化预处理数据；构建双向自编码器模型，包含行-wise和列-wise编码器-解码器结构，并采用三种损失函数（行损失、列损失和交叉损失）进行优化；使用Adam优化器和PyTorch框架实现模型训练；通过Pearson相关系数（PCC）、决定系数（R²）和均方根误差（RMSE）等指标评估插补准确性；利用Seurat进行细胞聚类分析（采用ARI、NMI和Purity指标），SCORPIUS进行发育轨迹推断（采用Kendall秩相关系数）。

BiAEImpute准确恢复基因表达水平

通过在不同缺失率（20%、40%、60%）下对四个数据集的测试，BiAEImpute在PCC、R²和RMSE指标上均表现最佳，其优势在高缺失率场景下尤为明显。此外，在模拟数据集中，BiAEImpute对MCAR（完全随机缺失）、MAR（随机缺失）和MNAR（非随机缺失）三种缺失机制均表现出强鲁棒性。

BiAEImpute促进细胞亚群识别与可视化

在Zeisel数据集上，非插补数据的聚类结果无法区分微胶质细胞和寡突胶质细胞，而经BiAEImpute插补后，七种细胞类型被清晰分离，聚类指标（ARI、NMI、Purity）显著提升。其他方法如MAGIC和ALRA则出现细胞类型误分类问题。

BiAEImpute提升标记基因识别能力

在Zeisel数据集中，非插补数据因缺失值导致标记基因（如Gm11549、Tbr1、Spink8等）表达水平被低估，而BiAEImpute成功恢复了这些基因的表达模式，与真实数据高度一致。

BiAEImpute辅助细胞发育轨迹推断

在包含时间序列的Klein数据集上，非插补数据无法重建正确的发育轨迹，而BiAEImpute插补数据准确推断出细胞伪时间顺序，其Kendall秩相关系数（0.867）高于其他基准方法。

运行时间和内存消耗比较

BiAEImpute在运行时间和内存使用上均表现高效，其计算资源消耗与数据规模呈线性关系，适用于大规模scRNA-seq数据集。

消融研究

通过移除行-wise或列-wise自编码器的对比实验，验证了双向架构的必要性，两者缺一均会导致性能下降。

研究表明，BiAEImpute是一种高效且稳健的scRNA-seq数据插补方法，其双向自编码器设计能够同时捕捉细胞和基因的关联特征，精准恢复缺失值，并显著提升下游分析（如聚类、标记基因识别和轨迹推断）的可靠性。尽管该方法目前将所有零值视为缺失处理，未来可探索概率性插补策略以区分真实生物零值与缺失值。此外，加权融合和纵向数据整合可能是进一步改进的方向。BiAEImpute为单细胞研究提供了有力工具，有助于更深入地解析细胞异质性和发育动力学。