ESMF：基于弹性特征的矩阵分解反卷积框架

《BioData Mining》：ESMF: Elastic Signature-based Matrix Factorization for Robust Cellular Deconvolution

　　

摘要

背景

尽管批量RNA测序在成本效益和可扩展性方面为大规模样本分析提供了临床实用性，但它掩盖了对于表征组织微环境至关重要的细胞异质性。相比之下，单细胞RNA测序（scRNA-seq）能够以前所未有的分辨率解析细胞多样性，但仍面临技术复杂性和组织处理伪影等转化应用障碍。这些互补但受限的技术需要计算框架来利用scRNA-seq的数据洞察力来增强对批量数据的解读。然而，当前的反卷积方法仍受到技术噪声放大、生物学合理性不足以及在多种平台上罕见细胞检测能力有限等问题的挑战。

结果

我们开发了ESMF（基于弹性特征的矩阵分解，Elastic Signature-based Matrix Factorization），这是一种解决这些问题的反卷积框架，其方法包括：(1) 基于弹性表达特征的规则化，结合了来自scRNA-seq数据参考的基因表达分布参数（均值/方差）；(2) 对技术噪声进行负二项模型建模；(3) 通过结合文献整理的知识和计算筛选来进行标记物的双重验证。ESMF在多种合成和生物数据集上进行了验证，结果表明其性能与现有基准方法相当，具有更好的跨平台稳定性，在临床相关样本中提高了罕见细胞的检测能力，并提供了生物学上合理的表达估计。

结论

ESMF有效地弥合了批量测序和单细胞测序之间的差距，能够以生物学上的准确性解析细胞比例和表达谱，为组织微环境的转化研究提供了一个稳健的分析平台。