《SCIENCE ADVANCES》：CellDiffusion: Enhancing scRNA-seq data integration with accurate inference of cell-cell association
编辑推荐：
跨实验室、条件和技术的单细胞转录组（single-cell transcriptomic）数据集整合仍具挑战，原因在于细胞类型特异性批次效应（batch effects）和异质性生物组成。现有方法常无法将真实生物变异与技术噪声分离，导致不同细胞群体错配或批次效
跨实验室、条件和技术的单细胞转录组（single-cell transcriptomic）数据集整合仍具挑战，原因在于细胞类型特异性批次效应（batch effects）和异质性生物组成。现有方法常无法将真实生物变异与技术噪声分离，导致不同细胞群体错配或批次效应未校正。为应对这些挑战，研究人员提出CellDiffusion，一种无监督（unsupervised）基于图（graph-based）的模型，其通过扩散过程（diffusion process）传播细胞特征，以增强数据整合中有意义的细胞-细胞关联（cell-cell associations）。通过学习细胞-细胞注意力网络（cell-cell attention network），CellDiffusion能自适应识别跨批次对应群体。该方法在数据整合中实施细胞特异性校正（cell-specific correction），生成细胞嵌入（cell embeddings），在跨批次对齐细胞的同时保留固有细胞类型和发育轨迹（developmental trajectories）。研究人员在多种数据集上验证CellDiffusion，包括人子宫内膜（human endometrium），这是最具动态性和复杂性的组织之一，随月经周期呈现广泛细胞和分子变化。该框架还改善其他关键分析，如标签转移（label transfer）、聚类（clustering）和轨迹推断（trajectory inference）。CellDiffusion代表一种用于准确单细胞转录组整合分析（single-cell transcriptomic integrative analysis）的强大范式（paradigm）。
研究背景与问题：单细胞RNA测序（scRNA-seq）显著推进了对细胞异质性的理解，为发育、疾病进展和组织动态提供了重要见解。随着大规模综合研究越来越依赖比较不同个体、条件、队列或平台来源的单细胞数据集，数据整合（data integration）已成为scRNA-seq分析中的关键环节。然而，细胞类型特异性批次效应（batch effects）是核心挑战，因为不同细胞类型对解离方案、试剂和降解的响应不同。现有整合工具难以处理这种复杂场景，常导致不当批次校正。fastMNN、Scanorama和ComBat常出现downalignment，即相同细胞类型未能对齐；Harmony、Seurat和scVI则可能因过度校正（overcorrection）而misalignment，即生物学上不同的细胞类型被错误合并。真实数据还常存在样本或批次间不平衡，如细胞组成不等和未匹配细胞类型，这会进一步增加跨批次错配风险。CellANOVA通过用户定义控制池恢复生物信号，但依赖控制池，主观性强，且在缺乏明确控制样本时泛化受限。准确建模跨批次细胞-细胞关联对优化批次去除以及聚类、查询到参考映射和轨迹推断等下游任务不可或缺。图神经扩散方法为建模图节点关联提供了新思路。在此背景下，研究人员开发了CellDiffusion，一种基于图的扩散模型，可准确推断细胞-细胞关联、处理复杂数据结构，并分离生物信号与技术变异，从而增强scRNA-seq整合。该研究发表于《SCIENCE ADVANCES》。
关键技术方法：研究人员采用无监督图扩散框架CellDiffusion，核心包括自动编码器降维、扩散层与解码器重构；构建优化互近邻（OMNN，Optimized Mutual Nearest Neighbor）图连接跨批次细胞，并联合批内K近邻（KNN）图保障连通；利用注意力机制（attention）学习图边扩散率；通过批内KNN邻接重构损失保持层次细胞本体（cell ontology）；内置基于注意力的聚类与轨迹推断。验证样本队列来源包括人子宫内膜Endometrium-314k、Endometrium-35k、Endometrium-CD、Endometrium-EV，人骨髓单核细胞（BMMC），外周血单个核细胞（PBMC-10k、PBMC-23k），以及Tabula Muris、Cortex、PBMC-UC、Planaria full/pair、Oligodendrocyte和Hepatoblast等数据集。
研究结果：
1. CellDiffusion通过精准推断细胞-细胞关联区分生物变异与批次效应。研究人员构建细胞-细胞网络，用OMNN连接跨批次细胞，借助扩散动力学衰减弱关联，由注意力引导特征传播，并重构批内KNN图。在子宫内膜示例中，Harmony错误合并不同状态基质细胞，而CellDiffusion同时避免downalignment和misalignment。
2. CellDiffusion在整合人子宫内膜样本时保留月经基质谱系。研究人员从Endometrium-35k选取两个增殖期和两个分泌期样本，结合空间转录组（spatial transcriptomics）显示基质亚型空间分布。CellDiffusion优于Harmony和CellANOVA，保留eStromal和dStromal，四类指标更优，PAGA轨迹更符合现有生物学知识。
3. CellDiffusion通过提供校准良好的人子宫内膜样本整合输出增强下游分析。统一下游流程后，Scanpy聚类和AvgBio显示CellDiffusion优于其他方法；其内置注意力聚类最佳，标记基因表达和通路富集更符合人工注释，PAGA保留月经连续轨迹。
4. CellDiffusion在人子宫内膜不同样本选择和队列中整合稳健。在Endometrium-314k（313,527个细胞、87个样本）和Endometrium-EV中，CellDiffusion快速可扩展，整合一致，并能区分上皮细胞；在Endometrium-EV中优于Harmony和CellANOVA，评估分数最高。
5. CellDiffusion保留人骨髓单核细胞scRNA-seq中转录差异细微的功能不同细胞类型。在BMMC（40种细胞类型、4名健康供者）中，CellDiffusion优于Harmony、Seurat和ComBat，能区分B细胞中IGKC
+和IGKC
?亚群及浆细胞、浆母细胞亚群；ComBat未正确整合网织红细胞。CellANOVA因缺少合适控制池不适用。
6. CellDiffusion相比现有方法在不同真实和模拟数据集中实现更好整合性能。在BMMC、PBMC-10k和PBMC-23k中引入五种细胞类型失衡场景，并与六种方法比较。CellDiffusion在BioCon和Total评分最高，BatchCor评分仅次于Harmony，提示其避免过度校正。
7. CellDiffusion通过将查询数据与参考整合转移准确标签。与CellTypist、scVI和SingleR在BMMC-LT、PBMC-Gayoso和PBMC-Hao中测试。参考部分匹配时，CellDiffusion识别未匹配细胞，如CD14
+和CD16
+单核细胞、CD4
+ T细胞及FCGR3A
+单核细胞，准确率更高，从完全匹配到部分匹配的下降幅度更小。
8. CellDiffusion捕获层次细胞本体结构。局部和全局扩散产生局部平衡效应和全局平衡效应，增强细胞类型分离并凸显谱系。在Tabula Muris中，扩散后嵌入边界更清晰，相关细胞类型仍保持连接。
9. CellDiffusion实现增强聚类和轨迹推断。基于注意力的图模块度随扩散增加；与七种聚类方法比较，CellDiffusion的AvgBio最高。在Planaria full等数据集中，细胞类型注意力网络产生树形轨迹，AvgTra高于PAGA、Slingshot等。
讨论总结：研究人员提出一种图扩散框架，用于解决真实数据中细胞组成不平衡、未匹配细胞类型和批次效应共存的问题。其创新包括：自动区分生物变异与批次效应；通过局部和全局扩散保留层次细胞本体；利用可训练注意力学习跨批次细胞相似性，并嵌入去除批次的细胞-细胞注意力网络。与CellANOVA相比，CellDiffusion无需控制池且完全无监督；与UniPort和BBKNN比较也表现更优。OMNN中Harmony仅辅助图构建，不决定最终整合结果。算法上，CellDiffusion打破图神经网络（GNN）深度限制，避免过平滑（oversmoothing）和过挤压（oversquashing），层数增加时性能稳定。超参数较鲁棒，无需预训练，单张L40S图形处理单元（GPU）可在30分钟内处理数万至数十万细胞。局限包括：单GPU处理百万级细胞时内存受限；假设每个批次至少共享部分细胞类型，且同一细胞类型内批次诱导变异小于批内不同细胞类型间转录差异；不适用于极强批次效应。未来可扩展至时间分辨scRNA-seq和空间转录组。研究结论可译为：CellDiffusion代表一种用于准确单细胞转录组整合分析的有力范式；研究人员设想将CellDiffusion框架应用于多个领域，推进单细胞转录组学及其他研究。
