《Cell Systems》：Interpretable models for scRNA-seq data embedding with multi-scale structure preservation
编辑推荐：
高效探索高维单细胞转录组数据的能力在许多生物学研究中至关重要。因此，降维（dimensionality reduction, DR）技术已成为分析工作流程的基本组成部分。它们生成的低维嵌入（low-dimensional embeddings）能够捕获数据中的
高效探索高维单细胞转录组数据的能力在许多生物学研究中至关重要。因此，降维（dimensionality reduction, DR）技术已成为分析工作流程的基本组成部分。它们生成的低维嵌入（low-dimensional embeddings）能够捕获数据中的重要结构，并常用于发现、质量控制（quality control, QC）和下游分析。然而，当前方法的可信度以及流行评估标准的严谨性均有限。研究人员在一项关于结构保持数据嵌入的实证研究中解决了这一问题，并提供了两种工具。首先，研究人员引入了ViScore：一个稳健的评分框架，改进了无监督和有监督的质量指标，并强调可扩展性和公平性。其次，研究人员引入了ViVAE：一种深度学习模型，实现了更好的多尺度结构保持，并配备了新的可解释性工具。研究人员通过定量比较和聚焦案例研究，证明了这些贡献在推进单细胞降维可信度方面的潜力。
论文解读：多尺度结构保持的单细胞转录组数据嵌入——ViVAE模型与ViScore评估框架
一、研究背景与问题提出
单细胞RNA测序（single-cell RNA sequencing, scRNA-seq）技术能够以前所未有的分辨率揭示细胞异质性，但其产生的高维基因表达数据具有稀疏性和噪声大的特点，直接分析极为困难。降维（dimensionality reduction, DR）技术因此成为单细胞生物信息学分析流程中的基本环节，其生成的低维嵌入被广泛用于细胞类型多样性描述、数据整合后的质量控制（quality control, QC）以及拟时序轨迹结构的表征。
然而，当前DR方法在可信度和评估严谨性方面存在显著局限。主成分分析（principal component analysis, PCA）作为最常用的线性方法，仅能捕获线性关系，难以处理复杂的非线性特征。以t-SNE和UMAP为代表的邻域嵌入（neighbor embedding, NE）算法虽然擅长保留局部结构，但其固有的“局部性偏差”（locality bias）会扭曲细胞群之间的相对位置，引入人为间隙和任意的全局布局。相反，基于多维缩放（multidimensional scaling, MDS）的方法如SQuad-MDS虽然能较好地保留全局结构，但在局部细节表现上不足。
更为关键的是，当前文献中对“局部”和“全局”结构缺乏统一定义，导致评估标准混乱。现有评估方法存在多重缺陷：设置硬性邻域阈值过于武断；通过聚类下采样计算代表点间距离牺牲了严谨性；基于下游任务（如聚类或分类）的代理评分本质上依赖于所用算法。这些问题使得系统性地评估嵌入质量、比较不同DR方法的性能变得极为困难，也限制了研究者对嵌入结果可信度的判断。
二、研究内容与核心贡献
针对上述问题，研究人员开展了系统的实证研究，提出了两大核心贡献：ViScore评估框架和ViVAE嵌入模型。ViScore是一个稳健的评分框架，改进了无监督和有监督的质量指标，强调可扩展性和公平性；ViVAE是一种正则化变分自编码器（variational autoencoder, VAE）模型，实现了更好的多尺度结构保持，并配备了编码器指示线（encoder indicatrices, EIs）等可解释性工具。研究通过定量比较和聚焦案例研究，证明了这些贡献在推进单细胞降维可信度方面的潜力。
三、关键技术方法
研究人员采用的主要技术方法包括：第一，基于RNX曲线（一种量化邻域保持程度的数学框架）的近似算法，解决了其在大规模数据上的可扩展性问题，并据此推导出局部结构保持（Local SP）和全局结构保持（Global SP）两个评分指标；第二，扩展邻域比例误差（extended neighborhood proportion error, xNPE）监督评估方法，用于量化每个细胞群的嵌入误差；第三，邻域组成图（neighborhood composition plots, NCPs）用于诊断错误嵌入的来源；第四，提出的随机多维缩放（stochastic MDS）正则化损失函数，该函数是“随机四元组”方法的基础扩展，通过可微分的损失函数在深度学习环境中使用，以改善全局结构保持；第五，编码器指示线（EIs）工具，基于微分几何概念，通过可视化椭圆来揭示嵌入空间中的不必要扩张、收缩或拉伸；第六，输入数据去噪预处理，基于均值漂移算法。研究使用了8个公开可用的scRNA-seq数据集，包括Qiu（小鼠胚胎T细胞）、Reed（人乳腺免疫细胞）、Suo（人产前多器官T和NK细胞）、Strati（人骨髓细胞）、TabulaMuris（小鼠骨髓细胞）、TabulaSapiens（人胸腺细胞）、Shekhar（小鼠视网膜细胞）和Farrell（斑马鱼胚胎细胞）。
四、研究结果
ViScore评估多尺度结构保持
研究人员提出了ViScore方法论，通过RNX曲线评估不同尺度下高维结构在低维嵌入中的保持程度。RNX曲线整合了多个视角点的邻域保持信息，针对每个尺度（从1到N-1）进行随机嵌入基线校正。全局SP得分以尺度无关的方式计算，即小尺度和大尺度结构被视为同等重要；局部SP得分则应用log10重缩放，提高小尺度结构的重要性。两个得分均以曲线下面积（area-under-curve, AUC）计算，上限为1，0对应随机嵌入基线。在8个数据集上对12种DR方法的比较中，ViVAE模型在所有数据集中至少有一个变体位于帕累托前沿（Pareto front），意味着没有其他模型在局部和全局SP两个任务上同时优于它。t-SNE在局部SP上表现最佳，SQuad-MDS在全局SP上表现最佳。
随机MDS正则化实现斑马鱼胚胎发育谱系的忠实嵌入
在Farrell数据集案例研究中，研究人员比较了t-SNE、UMAP、SQuad-MDS、VAE、ViVAE和ViVAE-EncoderOnly六种方法的嵌入效果。NE方法将数据分离成明显的点簇，而平滑嵌入方法（SQuad-MDS、VAE、ViVAE）保留了更多连续性。对于盾期（6 hpf）细胞，ViVAE-EncoderOnly的xNPE误差最低（0.128），远低于t-SNE（0.781）和UMAP（0.858），表明ViVAE模型对该细胞群相对于其他群的布局更准确。通过L1距离量化输入空间与嵌入空间的距离分布差异，平滑DR模型确实实现了对谱系更忠实的表示。包被层细胞（ELC）和原始生殖细胞（PGC）谱系在t-SNE和UMAP中高度碎片化，而在平滑嵌入中保持了更多连续性。
编码器指示线揭示VAE模型空间中的畸变
研究人员提出EIs作为可视化（V）AE潜在空间畸变的工具。通过在嵌入上均匀网格采样代表点，映射回高维输入空间，利用编码器的局部线性化计算雅可比矩阵，通过奇异值分解近似水平切空间，采样小圆作为扁平化指示线，再经编码器变换揭示局部大小和形状畸变。结果显示，标准VAE存在尺度不一致、逃逸效应导致的定向拉伸以及稀疏区域的不稳定性。默认ViVAE模型通过去噪和随机MDS正则化减少了这些畸变，ViVAE-EncoderOnly进一步减少了稀疏区域的不稳定性，整体上显著降低了潜在空间畸变。
ViVAE实现非发育性免疫细胞数据的结构保持降维
在Reed数据集案例研究中，研究人员使用xNPE和NCPs评估ViVAE在非发育性数据上的表现。xNPE通过比较高维输入空间和低维嵌入中“自身与非自身”邻居分布的地球移动距离（earth mover's distance, EMD）来量化每个细胞群的嵌入误差。结果显示，t-SNE在14个细胞群中有12个的xNPE表现不如ViVAE。针对NK细胞群的NCPs分析表明，ViVAE在保持NK细胞与CD8+ αβ T细胞的邻近关系方面表现最佳，避免了t-SNE和UMAP中NK细胞与成熟NK T细胞过度接近的伪影，也避免了CD4+辅助T细胞邻近度被人为降低的问题。
五、讨论与结论
研究人员证明ViVAE实现了有利的多尺度结构保持，能够忠实嵌入轨迹和非轨迹数据。将输入去噪和新型随机MDS组件与VAE模型结合，ViVAE平衡了VAE潜在空间的连续性与分离主要细胞区室的能力。EIs作为QC功能可应用于任何可微分的DR模型。ViVAE-EncoderOnly作为无解码器变体被评估，默认采用完整模型因其在局部结构保持上略优。
研究的意义在于：平衡局部和全局SP可以产生更忠实的嵌入，适用于广泛的探索性数据分析工作流程。ViScore框架克服了以往概念和计算限制，引入了无需硬性局部/全局截止、无需基于聚类的标志点或其他代理指标的量化指标。随着单细胞数据集规模的增大和公共数据库的可用性提高，DR在探索和假设形成中的应用将增加，这需要努力防止嵌入中虚假模式或伪影导致的错误结论。
研究人员承认拓扑数据分析（topological data analysis, TDA）领域对局部和全局结构有更正式的定义，但认为描述真实生物数据背后的真实流形目前难以实现。因此，研究聚焦于跨多个代表性数据集的实证评估。未来研究将探索替代图结构用于去噪和DR评估，如Louvain算法网络、见证复形或对噪声稳健的分支生成树。ViVAE与FlowSOM的集成为使用图与嵌入点云结合捕获相关结构迈出了初步一步。
研究结论表明，ViScore评估框架和ViVAE嵌入模型为单细胞数据降维提供了更可信的评估工具和更平衡的结构保持方法，有助于提高单细胞数据分析的可靠性和可解释性。
