基于稳定区间的单细胞RNA测序聚类分辨率选择算法 SUN 及其性能评估

《BMC Bioinformatics》：SUN for scRNA-seq: stable-interval and embedding-based approximate silhouette guided Louvain resolution selection

【字体：大中小】 时间：2026年11月15日 来源：BMC Bioinformatics 4.4

编辑推荐：

　　摘要背景在单细胞RNA测序分析中，聚类分辨率通常是通过试错来选择的，但这会改变报告的组及其后续的解释结果。过度分割或过度合并会降低不同团队之间的重复性。因此，需要一种透明且实用的方法来选择合适的分辨率，包括在解释之前需要对过度聚类进行校正的情况。

摘要

背景

在单细胞RNA测序分析中，聚类分辨率通常是通过试错来选择的，但这会改变报告的组及其后续的解释结果。过度分割或过度合并会降低不同团队之间的重复性。因此，需要一种透明且实用的方法来选择合适的分辨率，包括在解释之前需要对过度聚类进行校正的情况。

方法

我们引入了SUN（基于稳定区间的无监督邻域分辨率选择算法），这是一种无监督的层，它会在一个固定的共享最近邻（SNN）图上选择一个Louvain风格的分辨率。SUN通过缓存扫描分辨率网格，识别出沿缓存分辨率变化的稳定区间（即簇计数保持不变的区间），并使用基于嵌入的近似轮廓和区间宽度的综合得分对这些区间进行排名。

结果

我们在模拟实验、八个真实的scRNA-seq基准测试以及一个大脑皮层过度聚类案例中评估了SUN的性能。在模拟实验中（n = 72种条件），SUN的平均ARI值为0.860 ± 0.230（平均值 ± 标准差）。在八个基准测试中，SUN在数据集层面上实现了平均ARI 0.864 ± 0.099、FMI 0.886 ± 0.083和NMI 0.873 ± 0.087。在大脑皮层过度聚类案例研究中，与scSHC文献中使用的Manual Adjust划分方法相比，SUN的ARI值为0.996，并且恢复了预期的UBC/MLI1合并方向。评估一致性时使用了ARI、Fowlkes–Mallows指数和标准化互信息，同时内部指标也作为补充证据。

结论

SUN将Louvain分辨率轴上未记录的试错过程转化为一个明确、可审计的推荐结果——稳定的区间加上定量排名——这适用于标准的Seurat风格的工作流程。在所有包含的基准测试中，SUN与精心制作的参考注释保持了较高的一致性，同时与其他无监督划分方法相比也具有竞争力；在大脑皮层过度聚类案例研究中，SUN与scSHC相关的Manual Adjust评估目标有很高的吻合度。一些图表中对种子节点的敏感性以及排名得分的启发式性质被报告为实际的注意事项，而不是完全消除的变异来源。

可用性

当前的在线试用版本可访问地址为：http://8.166.114.84:3838/SUN_shiny_app_project/。SUN的代码库可在：https://github.com/BioinfoCenterSYSMH/SUN-Project获取。

背景

在单细胞RNA测序分析中，聚类分辨率通常是通过试错来选择的，但这会改变报告的组及其后续的解释结果。过度分割或过度合并会降低不同团队之间的重复性。因此，需要一种透明且实用的方法来选择合适的分辨率，包括在解释之前需要对过度聚类进行校正的情况。

方法

我们引入了SUN（基于稳定区间的无监督邻域分辨率选择算法），这是一种无监督的层，它会在一个固定的共享最近邻（SNN）图上选择一个Louvain风格的分辨率。SUN通过缓存扫描分辨率网格，识别出沿缓存分辨率变化的稳定区间（即簇计数保持不变的区间），并使用基于嵌入的近似轮廓和区间宽度的综合得分对这些区间进行排名。

结果

我们在模拟实验、八个真实的scRNA-seq基准测试以及一个大脑皮层过度聚类案例中评估了SUN的性能。在模拟实验中（n = 72种条件），SUN的平均ARI值为0.860 ± 0.230（平均值 ± 标准差）。在八个基准测试中，SUN在数据集层面上实现了平均ARI 0.864 ± 0.099、FMI 0.886 ± 0.083和NMI 0.873 ± 0.087。在大脑皮层过度聚类案例研究中，与scSHC文献中使用的Manual Adjust划分方法相比，SUN的ARI值为0.996，并且恢复了预期的UBC/MLI1合并方向。评估一致性时使用了ARI、Fowlkes–Mallows指数和标准化互信息，同时内部指标也作为补充证据。

结论

SUN将Louvain分辨率轴上未记录的试错过程转化为一个明确、可审计的推荐结果——稳定的区间加上定量排名——这适用于标准的Seurat风格的工作流程。在所有包含的基准测试中，SUN与精心制作的参考注释保持了较高的一致性，同时与其他无监督划分方法相比也具有竞争力；在大脑皮层过度聚类案例研究中，SUN与scSHC相关的Manual Adjust评估目标有很高的吻合度。一些图表中对种子节点的敏感性以及排名得分的启发式性质被报告为实际的注意事项，而不是完全消除的变异来源。