scHi-C数据插补方法的基准测试分析

《IEEE Transactions on Big Data》：Benchmarking Analysis of scHi-C Data Imputation Methods

　　

单细胞Hi-C（scHi-C）技术被广泛用于测量单个细胞的三维基因组结构，并研究多尺度染色质结构和细胞功能的细胞间异质性。它有助于识别稀有细胞类型，并增强对疾病机制的理解。然而，scHi-C数据的稀疏性对下游分析（如细胞聚类）构成了重大挑战。近年来，研究人员提出了几种scHi-C插补方法，包括基于统计的方法和基于深度学习的方法。然而，据研究人员所知，这些方法在以往的研究中尚未得到全面评估和分析。在本研究中，研究人员基于九个模拟数据集和一个真实数据集，从多个指标角度评估和比较了七种最先进的插补方法。具体而言，评估了这些方法在数据恢复和细胞聚类方面的性能。实验结果表明，基于深度学习的方法比基于统计的方法表现更好，但没有一种方法在所有情况下都表现最佳。最后，研究人员针对不同场景提供了方法推荐。

**论文解读：scHi-C数据插补方法的系统基准测试分析**

**研究背景**
单细胞Hi-C（scHi-C）技术能够在单细胞分辨率下测量三维基因组结构，揭示细胞间染色质组织的异质性，促进稀有细胞类型识别和疾病机制理解。然而，scHi-C数据存在固有的超稀疏性和低信噪比问题，零元素比例常高达95%，严重限制了下游分析（如细胞聚类）的准确性。近年来，研究人员提出了多种scHi-C数据插补方法，主要分为基于统计的方法（如线性卷积、随机游走、网络增强、scHiCluster、HiCImpute等）和基于深度学习的方法（如Higashi、scVI-3D、scDEC-Hi-C、HiC-SGL等）。尽管这些方法在不同场景下各有贡献，但此前缺乏系统、全面的基准测试以比较其性能。该研究旨在填补这一空白，为不同应用场景选择最合适的插补方法提供依据。论文发表在《IEEE Transactions on Big Data》。

**研究人员开展的研究**
研究人员基于九个模拟数据集（来自Xie等^[32]及自行生成，包含三种细胞类型T1、T2、T3及三种测序深度1K、2K、4K，每个数据集100个单细胞）和一个真实数据集（Ramani等^[6]，包含GM12878、HAP1、HeLa、K562四种人类细胞系，经质量控制后保留630个细胞），对七种成功运行的插补方法（线性卷积、随机游走、网络增强、scHiCluster、HiCImpute、Higashi、scVI-3D）进行了全面评估。评估维度包括：整体数据恢复能力（通过热图可视化、皮尔逊相关系数（PCC）和平均绝对误差（MAE）量化）、dropout值恢复能力（针对模拟数据中真实非零但观测为零的位点，使用PCC_d和MAE_d）、细胞聚类性能（使用调整兰德指数（ARI）、归一化互信息（NMI）、同质性（Homo）和纯度（Purity））以及时间成本。所有方法均采用默认或推荐参数，在统一硬件环境（Intel Xeon Silver 4114 CPU、NVIDIA GeForce RTX 2080 GPU、125 GB内存）下执行。

**主要关键技术方法**
1. **基于统计的方法**：包括线性卷积（二维平均滤波）、随机游走（基于固定转移概率矩阵的信号传播）、网络增强（应用双随机矩阵算子）、scHiCluster（结合线性卷积和随机游走后进行平方根顶点连通性归一化）、HiCImpute（贝叶斯分层模型，区分结构零和dropout，使用马尔可夫链蒙特卡洛采样）。
2. **基于深度学习的方法**：包括Higashi（超图神经网络，建模细胞节点和基因组位点节点的超边，结合多头自注意力机制）、scVI-3D（深度生成模型，使用零膨胀负二项分布建模，变分推断近似后验）。
3. **评估技术**：对模拟数据使用PCC和MAE；对真实数据使用细胞聚类指标（ARI、NMI、Homo、Purity），结合截断奇异值分解（TruncatedSVD）降维、均匀流形近似与投影（UMAP）非线性降维及K-means++聚类。

**研究结果**

**3.1 整体数据恢复比较**
通过热图可视化，深度学习方法的整体恢复效果优于统计方法。scVI-3D在所有测序深度下产生的热图最接近真实热图，是表现最佳的方法。Higashi能较好地恢复染色质结构，但预测值存在系统性偏差（低估）。HiCImpute在4K深度表现良好，但在1K深度错误地将大量基因组分箱对识别为结构零，导致重建不完整。统计方法中，线性卷积过度平滑，随机游走和网络增强产生严重网格状伪影，scHiCluster也导致局部结构模糊和失真。定量评估（PCC和MAE）进一步确认：scVI-3D在9个模拟子集中的8个中取得最高PCC，并在所有场景中取得最低MAE。HiCImpute在1K深度虽PCC较高（约0.8），但MAE最大，原因在于其低估了大量dropout并高估了其他值。其他统计方法的PCC均未超过0.8，且点云呈漏斗形分布，说明接触计数越高时插补精度越差。

**3.2 Dropout数据恢复比较**
针对dropout位点的专门分析显示，在低深度（1K）下，除HiCImpute外的大多数方法PCC较低且预测范围波动大。HiCImpute的PCC约0.75，但这是因为它将约80%的dropout保留为零。随着深度增加，HiCImpute的PCC呈下降趋势。scVI-3D在9个数据集中4次取得最佳PCC，且MAE低；随机游走和Higashi的PCC表现相似，但Higashi估计值普遍低于真实值。综合来看，scVI-3D在不同测序深度和数据集中对dropout值的插补表现最一致、最有效，随机游走次之。

**3.3 细胞聚类比较**
在Ramani等真实数据集上，Higashi（5 nbr）——在嵌入空间中利用五个最相似细胞信息的变体——表现最佳，ARI=0.763，NMI=0.794，Homo=0.841，Purity=0.937。Higashi（0 nbr）未利用邻居信息，指标略低（ARI=0.721）。排名第二的scHiCluster的ARI、NMI、Homo和Purity分别比Higashi（5 nbr）低0.135、0.21、0.235和0.076。scVI-3D的聚类指标略低于scHiCluster（ARI=0.618）。HiCImpute表现最差（ARI=0.336），甚至低于原始数据的ARI（0.351）。结果表明，Higashi（5 nbr）最适合低测序深度数据的细胞聚类任务。

**3.4 时间成本比较**
线性卷积、随机游走和网络增强计算简单快速。scHiCluster也较高效。HiCImpute因迭代计算开销在处理大型数据集时耗时较长。深度学习方法Higashi和scVI-3D的时间成本在合理范围内。

**总结与讨论**
研究结论指出，没有一种方法在所有场景下均最优。总体而言，深度学习方法优于统计方法，但统计方法中的HiCImpute和随机游走在特定实验中也有满意表现。对于整体数据恢复，scVI-3D最优；对于dropout恢复，scVI-3D最有效，随机游走次之；对于细胞聚类，Higashi（5 nbr）最佳。因此，研究人员推荐scVI-3D用于精确的3D基因组结构重建，而Higashi更适合提升细胞聚类性能。深度学习方法的优势包括：更强的全局特征捕获能力、更有效的细胞与基因组位点关系网络推断、以及低深度下的鲁棒性。未来工作将利用更多真实稀疏数据集进行进一步分析比较。