部分域适应技术实现了单细胞RNA测序（scRNA-seq）和smallRNA测序（snRNA-seq）之间的跨域细胞类型注释

《PLOS Computational Biology》：Partial domain adaptation enables cross domain cell type annotation between scRNA-seq and snRNA-seq

　　摘要
在单细胞分析中，跨数据集进行准确的细胞类型注释是一个关键挑战。snRNA-seq能够对冷冻或难以分离的组织进行测序，通过捕捉脆弱或罕见的细胞类型来补充scRNA-seq的功能。然而，这两种数据集之间的交叉注释仍然大部分未被探索，因为现有方法是独立处理它们的。我们引入了ScNucAdapt，这是一种专为配对和非配对scRNA-seq及snRNA-seq数据集之间交叉注释设计的方法。为了应对分布和细胞组成的差异，ScNucAdapt采用了部分领域适应技术。在配对和非配对scRNA-seq及snRNA-seq上的实验表明，ScNucAdapt实现了稳健且准确的细胞类型注释，性能优于现有方法。因此，ScNucAdapt为scRNA-seq和snRNA-seq数据之间的跨领域细胞类型注释提供了一个实用的框架。

作者总结
单细胞和单核RNA测序是两种强大的技术，使科学家能够研究单个细胞中的基因活动。然而，由于这两种方法捕获的是细胞的不同部分，并且通常在不同的条件下收集，因此比较这些数据仍然具有挑战性。这使得难以在实验之间一致地识别细胞类型，从而阻碍了我们对健康和疾病的理解。我们开发了ScNucAdapt，这是一种计算框架，可以在不同实验室或组织条件下自动在这两种类型的数据集之间转移细胞类型知识。我们的方法学会了识别共同模式，同时忽略数据集特定的差异。通过对包括膀胱、肾脏、肿瘤和大脑在内的多种组织的测试，我们展示了ScNucAdapt始终优于现有方法。通过实现单细胞和单核数据的可靠整合，我们的工作有助于研究人员构建更完整的细胞多样性的图谱，无论是在不同组织还是疾病状态下。这种能力对于研究存档的冷冻样本或难以用传统方法分析的脆弱细胞类型尤其有价值，可能会加速各个领域的发现。

引言
细胞是生命的基本单位[1]。正确注释每个细胞的转录组谱型[2]至关重要，这有助于识别不同的细胞群体、进行样本间比较，以及将分子谱型与生物学功能或疾病联系起来[3]。大多数已发布的自动细胞类型注释方法都基于scRNA-seq，例如SingleCellNet[4]使用随机森林分类器集合对scRNA-seq数据集进行细胞类型注释，而ScMap[5]则是通过将每个新细胞的基因表达谱型与参考数据进行比较，并将细胞标记为最相似的类型。然而，面对冷冻样本或难以分离的组织时，snRNA-seq提供了一个实用的替代方案[6]，它可以捕获细胞核转录本而不需要完整的细胞，从而能够检测到单细胞方法经常低估的脆弱或罕见细胞类型[7]。许多研究已将scRNA-seq和snRNA-seq结合起来使用，例如在神经退行性疾病[8]、骨骼肌[9]、冷冻和新鲜肿瘤样本[10]，甚至PBMC的疾病进展研究[11]中。这表明，scRNA-seq和snRNA-seq之间的跨领域注释对于统一两个数据集中的细胞身份以及确保来自不同组织条件或实验方案的数据的一致解释是必不可少的[12]。以往对snRNA-seq和scRNA-seq数据细胞类型注释的研究依赖于传统的机器学习方法[13]，特别是针对肾细胞类型[14]。然而，这些方法忽略了scRNA-seq和snRNA-seq之间的关系，将它们视为独立的数据集。因此，迫切需要开发scRNA-seq和snRNA-seq之间的跨领域细胞类型注释方法。然而，scRNA-seq和snRNA-seq之间常常存在分布差异[15]，无论是配对的还是非配对的，如图1所示。此外，在实际的自动注释情况下，目标数据集的细胞类型组成是未知的，这可能导致两个数据集之间的细胞类型组成不同，使得实现稳健的注释变得具有挑战性。因此，受到部分领域适应技术的启发，该技术可以同时解决两个数据集之间的分布差异和标签空间不匹配问题，我们开发了一个名为ScNucAdapt的框架，它可以选择性地从源数据集向目标数据集转移知识。

下载：PNG（更大图像）、TIFF（原始图像）
图1. 配对和非配对scRNA-seq及snRNA-seq的概念。https://doi.org/10.1371/journal.pcbi.1014223.g001

部分领域适应[16]解决了从标记的源域向未标记的目标域转移知识的问题，当目标标签空间是源标签空间的子集时，如图2所示。与假设不同领域标签空间相同的传统领域适应方法不同，部分领域适应减轻了由无关源类别引起的负面转移。部分领域适应已被应用于多个领域，包括故障诊断[17]、胸部X光图像的肺炎诊断[18]以及跨会话的神经解码[19]。

下载：PNG（更大图像）、TIFF（原始图像）
图2. 部分领域适应的概念。https://doi.org/10.1371/journal.pcbi.1014223.g002

这种设计使ScNucAdapt能够专注于两个数据集中共享的细胞类型，同时最小化非重叠或数据集特定细胞类型的负面影响。此外，ScJoint[20]、ScNCL[21]、ScCobra[22]和ScCorrect[23]也采用了迁移学习和领域适应方法，用于从非配对scRNA-seq向ScATAC-seq数据集转移标签，这些也为开发ScNucAdapt提供了灵感。据我们所知，我们的研究是第一个专注于配对或非配对scRNA-seq和snRNA-seq数据集之间交叉注释的研究。总之，我们提出的方法的贡献可以总结如下：
ScNucAdapt是一个跨领域注释框架，能够在配对或非配对的scRNA-seq和snRNA-seq数据集之间实现稳健的标签转移。ScNucAdapt还考虑了scRNA-seq和snRNA-seq之间的分布差异，在目标数据集中注释细胞类型时更加稳健。ScNucAdapt还能够处理scRNA-seq和snRNA-seq之间的细胞类型组成差异，其中只有部分细胞类型在这两个数据集之间是共有的。

第2节介绍了ScNucAdapt的方法，并包括了使用的数据集和评估指标的描述。第3节展示了scRNA-seq和snRNA-seq之间分类准确性的实验结果，包括一个展示ScNucAdap每个组件有效性的消融实验，以及敏感性分析和运行时间及内存扩展测试。第4节进行了讨论。最后，在第5节提出了结论。

材料与方法
共享源编码器和目标编码器
为了将源数据集和目标数据集的特征提取到一个共同的标签空间中，使用了共享编码器。编码器由两个全连接层组成。第一层将输入特征转换为隐藏单元。第二层将这些特征减少到一个潜在空间，创建一个紧凑的表示，捕获基因表达数据中最重要的模式。

目标数据中的动态聚类
在本节中，我们将介绍在不知道簇数量的情况下对目标数据集进行动态聚类的概念，这一概念受到了DeepDPM[24]（用于未知数量的深度聚类）和PRAGA[25]（用于空间多组学聚类）的启发。给定目标数据集，目标表示在方程（1）中获得。其中n表示样本数量。m表示原始特征数量，表示通过共享编码器后的特征数量。
(1)

在获得目标数据集的表示后，我们设置高斯混合模型的初始簇C，以将目标表示分配到C个簇中；注意C不代表目标表示中真实的簇数量或源数据集中的真实细胞类型标签，并将通过Metropolis-Hastings框架[26]进一步调整。每个簇的样本计数和目标表示分别用Nc和表示，下标表示簇索引。为了实现簇总数的动态调整，每个簇进一步使用高斯混合分为两个子簇。子簇相应的样本计数表示为Nc,s，其中表示子簇索引。然后为每个簇定义了一个分割标准，以确定是否应进一步分割，分割的概率为。Hs比率在方程（2）中定义。
(2)

其中表示伽玛函数，表示在Normal–Inverse–Wishart (NIW) 先验下评估的边际似然，由超参数、和m参数化。当Hs > 1时，原始簇被其派生的一个子簇替换，剩余的子簇作为一个额外的、独立的簇加入，如方程（3）所示。
(3)

分割簇后，我们引入了一个基于分割后簇的合并标准，合并的概率为，如方程（4）所示。
(4)

而不是逐一考虑所有可能的合并，我们将每个簇Ni的合并候选者限制为其最近的邻居Nj。如果，则新的合并簇将替换原来的两个簇，如方程（5）所示。
(5)

柯西-施瓦茨散度
在本节中，我们介绍了柯西-施瓦茨散度[27]及其经验估计器。给定某个类别的源表示和某个簇的目标表示，其中源表示向量和目标表示向量，柯西-施瓦茨散度（CS散度）在方程（6）中定义。
(6)

使用核密度估计，我们从方程（7）和方程（8）定义的有限样本中估计密度。
(7)
(8)

在这里，我们选择了高斯核函数作为核估计器，其中是控制核平滑度的带宽参数。的计算结果在方程（9）、方程（10）和方程（11）中显示。
(9)
(10)
(11)

通过将方程（9）-方程（11）代入CS散度，我们如下测量源数据集和目标数据集之间的散度：

源类-目标簇匹配
在本节中，我们将在获得源已知细胞类和预测目标簇之间的CS散度后介绍源类-目标簇匹配，并进一步将匹配对的CS散度添加到最终的训练损失中。给定源表示向量Zs和p个标签，我们可以将源表示分成p个子集，表示为。在对目标表示向量Zt进行动态聚类后，我们获得了个簇。然后，根据第2.3节中描述的CS散度，我们计算来自源类和目标簇Zi,s和Zj,t的每对CS散度，即。
(5)

共享源分类器和目标分类器
共享源分类器和目标分类器作用于编码器产生的潜在表示，以预测相应的细胞类型。它由一个全连接层组成，直接映射到输出节点，节点数量等于源数据集中的细胞类型数量。这种设计允许分类器有效地将紧凑的潜在表示转换为准确的细胞类型预测，同时保持计算效率。相同的分类器结构在所有实验中一致应用，无需修改。

ScNucAdapt的概述
总之，ScNucAdapt由三个部分组成。该框架如图3所示。第一部分是源数据集和目标数据集的共享编码器，旨在将表示提取到相同的潜在空间中。第二部分是目标表示中的动态聚类。在这一部分，ScNucAdapt负责在目标数据集中聚类细胞类型，而无需预先知道簇的数量，并通过分割和合并框架进一步调整。然后，我们介绍了CS散度和预测目标簇与源数据集之间的合并规则。在第一阶段，编码器仅使用基于小批量的表示进行T次热身训练，不进行聚类，从而学习有意义的初始特征空间。在第二阶段，每个训练周期开始时，首先对目标数据集的全部学习到的表示应用GMM聚类和分割/合并操作，然后通过计算簇分布之间的柯西-施瓦茨散度（Cauchy-Schwarz divergence）的argmin来进行源-目标匹配。随后，编码器通过反向传播（backpropagation）基于小批量数据更新，使用方程（13）中所示的组合损失函数，同时将当前的簇分配视为固定不变。随着表示的改进，每个周期都会重新计算GMM聚类、分割/合并操作和源-目标匹配。为了减少计算时间，我们也可以每n个周期重新计算一次，但在我们的实验中，这些操作是在每个周期都执行的。此外，选定的源和目标批量数据集上的总训练损失包括分类损失Lcls（加权交叉熵损失）以及第2.4节中描述的Lcs。参数（13）用于表示权衡超参数。

数据集：我们汇总了来自先前研究的各种scRNA-seq和snRNA-seq数据。大多数数据集已经预处理过；需要预处理的数据集使用Scanpy [28]进行预处理。我们收集了来自膀胱、肾脏、小鼠皮质以及冷冻和新鲜肿瘤组织的细胞。对于膀胱细胞类型，数据集是GSE267964 [29]，它包含两个子集：Immune和Stromal。这些数据集已经提前预处理并配对。此外，我们还收集了来自不同研究的肾脏细胞类型的未配对scRNA-seq和snRNA-seq数据，分别是GSE140989 [30]（scRNA-seq）和GSE121862 [31]（snRNA-seq）。细胞类型标签是根据先前的研究使用传统机器学习方法从scRNA-seq和snRNA-seq中注释的肾脏细胞类型获得的。对于冷冻和新鲜肿瘤细胞类型，数据集来自GEO数据库，访问号为GSE140819，其中包含多种类型的冷冻肿瘤的scRNA-seq和snRNA-seq数据。我们收集了转移性乳腺癌（MBC）和慢性淋巴细胞白血病（CLL）的细胞类型，然后通过过滤计数较低的细胞和基因进一步预处理了这些数据。对于小鼠皮质细胞类型，数据集来自GEO数据库，访问号为GSE123454 [32]。所有细胞类型标签均来自先前的研究，每个细胞都进行了标注。数据集的详细统计信息见表1，包括每个数据集中的样本数量、基因数量和独特细胞类型数量。

下载：PNG图片（放大版）、TIFF图片（原始版本）

表1. 数据集的统计结果，包括膀胱细胞类型、肾脏细胞类型、冷冻和新鲜肿瘤细胞类型以及小鼠皮质细胞类型。
https://doi.org/10.1371/journal.pcbi.1014223.t001

此外，我们在表2中提供了各个数据集之间的详细适应设置。这些设置包括八种适应方案：四种部分设置和四种封闭集设置。每种配置指定了源-目标数据对、共享和未共享的标签空间。

下载：PNG图片（放大版）、TIFF图片（原始版本）
表2. 数据集之间的适应设置。
https://doi.org/10.1371/journal.pcbi.1014223.t002

评估指标：为了评估ScNucAdapt在细胞类型分类任务中的性能，我们在带有已知细胞类型标注的数据集上对其分类准确性进行了评估。准确性得分量化了所有预测中正确预测的细胞类型的比例，提供了一个直观且有信息的模型性能衡量标准。正式定义如下（公式（14）：其中yi表示第i个样本的真实标签，表示同一样本的预测类别标签，n是数据集中的样本总数。指示函数在预测标签与真实标签匹配时返回1，否则返回0。

此外，我们还包括了Macro-F1得分来评估模型性能。与可能偏向多数类的总体准确性不同，Macro-F1得分通过平等对待所有类别来提供平衡的评估。首先，对于每个类别（其中是所有类别的集合），我们根据真正例（TPc）、假正例（FPc）和假负例（FNc）计算特定类别的精确度和召回率：
精确度衡量被预测为类别c的细胞中正确分配的比例，反映模型的精确性。召回率衡量成功检索到的真实类别c细胞的比例，反映模型的完整性。然后，每个类别的F1得分定义为精确度和召回率的调和平均值，平衡了两者之间的权衡。

最后，Macro-F1得分是所有类别的F1得分的算术平均值：

实验设置：我们提出的方法与几种在单细胞转录组分析中广泛应用的现有分类器进行了对比，包括SingleCellNet和ScMap，以及一种流行的跨批次细胞类型注释方法ScAdapt [33]。所有比较方法都进行了调优以实现最佳性能，并在配备NVIDIA GeForce RTX 4090 GPU的研究服务器上执行。对于初始聚类，我们在scikit-learn中使用了具有对角协方差矩阵‘diag’的高斯混合模型（Gaussian Mixture Models），并将C设置为混合组分的数量，这将在后续进行调整。在每个实验中，具体的超参数（包括第一个隐藏层的宽度、潜在表示宽度、提前停止机制、权衡超参数、学习率、批量大小以及执行初始高斯混合聚类之前的训练周期数K）在补充文件S1表中展示。此外，优化器Adam和超参数在所有数据集中保持不变。给定n个类别的一组计数，类别i的权重wi计算如下：
然后，交叉熵损失中的权重计算如下：
其中ci是类别i的计数，n是类别总数，是类别i的最终归一化权重。注意，我们在膀胱免疫scRNA-seq中对单核细胞和血浆细胞的权重设置得稍高一些；在CLL中，我们对T细胞的权重设置得稍高一些。NIW超参数在所有实验中保持不变，并遵循PRAGA和DeepDPM的设置，其中我们使用，将m设置为数据均值，设置为K+2，K表示初始聚类超参数，I表示单位矩阵。

实验结果：我们首先使用R包Splatter [34]生成了模拟数据集，包括不平衡和平衡的数据集。每个数据集包含两个批次和五种细胞类型。接下来，我们进行了两次目标控制实验。在第一项实验中，我们通过调整batch.facScale参数来改变批次效应的强度，同时保持目标数据集中的细胞类型数量为三个。在第二项实验中，我们将batch.facScale保持为一，并改变目标数据中存在的细胞类型数量。我们在图4中提供了UMAP可视化结果，以说明在三种条件下的批次效应和细胞类型分布：校正前、合并开始时以及合并完成后。

下载：PNG图片（放大版）、TIFF图片（原始版本）
图4. 使用splatter进行的模拟实验。（A）不平衡和平衡模拟数据集上的准确性（B）不平衡和平衡模拟数据集上的Macro f1得分（C）不平衡和平衡模拟数据集上的类别变化实验（D）不平衡和平衡模拟数据集上的Macro f1得分（E）未校正的模拟数据集中的细胞类型颜色（F）源类别和目标簇合并前的细胞类型表示（G）源类别和目标簇合并后的细胞类型表示（H）未校正的模拟数据集中的批次颜色（I）源类别和目标簇合并前的批次表示（J）源类别和目标簇合并后的批次表示。
https://doi.org/10.1371/journal.pcbi.1014223.g004

结果显示，在所有条件和评估指标下，ScNucAdapt始终表现出稳健的性能。此外，图4中的UMAP可视化显示，在batch.facScale设置为1的不平衡模拟数据集上，ScNucAdapt有效地合并了正确的细胞类型，同时表现出最小的负面转移。ScNucAdapt能够在scRNA-seq和snRNA-seq之间准确地进行膀胱和肾脏细胞类型的交叉注释。

本节介绍了在scRNA-seq和snRNA-seq数据之间跨领域的膀胱和肾脏细胞类型的分类性能。表3和补充文件S2表中的实验结果表明，ScNucAdapt的性能优于仅关注scRNA-seq数据集的现有分类器。特别是在免疫子集上，这是一个部分领域适应问题，其中scRNA-seq是源数据，snRNA-seq是目标数据，ScNucAdapt的准确率为91.05，Macro-F1得分为84.69，优于ScAdapt的90.24（准确率）和82.37（Macro-F1得分），也优于SingleCellNet的81.02（准确率）和55.51（Macro-F1得分）。在scRNA-seq是源数据、snRNA-seq是目标数据的Stromal数据集上，ScNucAdapt在封闭集设置下的准确率为97.80，Macro-F1得分为89.42，优于ScAdapt的96.95（准确率）和80.00（Macro-F1得分），以及SingleCellNet的91.92（准确率）和63.82（Macro-F1得分）。同样，在snRNA-seq是源数据、scRNA-seq是目标数据的Stromal数据集上，ScNucAdapt的准确率为90.38，Macro-F1得分为72.42，也优于ScAdapt的89.98（准确率）和71.61（Macro-F1得分），以及SingleCellNet的86.61（准确率）和66.96（Macro-F1得分）。有趣的是，我们发现领域适应方法通常比scRNA-seq分类器表现得更好。使用UMAP对膀胱组织的三个子集进行的可视化结果显示在补充文件S3图中。虽然大多数scRNA-seq和snRNA-seq群体融合得很好，但我们观察到在Stromal群体对齐上存在限制，ScNucAdapt无法区分静脉内皮细胞和一般内皮细胞。这归因于静脉内皮细胞的训练集极其有限，仅包含四个细胞。尽管如此，ScNucAdapt在准确性和Macro F1得分方面仍保持所有比较方法中的最佳性能。

下载：PNG图片（放大版）、TIFF图片（原始版本）
表3. 目标数据集上的膀胱和肾脏细胞类型分类准确性。
https://doi.org/10.1371/journal.pcbi.1014223.t003

在scRNA-seq和snRNA-seq之间的未配对数据集上，ScNucAdapt的准确率为87.23，Macro-F1得分为81.5，优于其他方法，包括ScAdapt。UMAP的可视化结果如图5所示，其中大多数scRNA-seq和snRNA-seq群体在批次间融合得很好，同时保持了细胞类型的清晰分离。这些结果表明，ScNucAdapt不仅能够处理scRNA-seq和snRNA-seq之间的分布差异，还能在scRNA-seq和snRNA-seq部分配对的情况下处理这种差异。

下载：PNG图片（放大版）、TIFF图片（原始版本）
图5. scRNA-seq和snRNA-seq表示的可视化结果。
使用UMAP在肾脏组织上的结果（A）scRNA-seq到snRNA批次表示的可视化结果（B）scRNA-seq到snRNA细胞类型表示的可视化结果。
https://doi.org/10.1371/journal.pcbi.1014223.g005

所有实验结果都表明，ScNucAdapt是一种在scRNA-seq和snRNA-seq之间进行跨领域注释的稳健方法。ScNucAdapt支持在scRNA-seq和snRNA-seq之间可靠地交叉注释新鲜和冷冻肿瘤细胞。

本节介绍了新鲜和冷冻肿瘤中细胞类型的分类性能。如2.7节所述，我们选择了两种类型的肿瘤：转移性乳腺癌和慢性淋巴细胞白血病。表4和补充文件S2表中呈现的实验结果表明，在转移性乳腺癌的部分适应设置下，其中scRNA-seq是源数据，snRNA-seq是目标数据，ScNucAdapt的性能优于ScAdapt的94.17（准确率）和74.89（Macro-F1得分），准确率为95.39，Macro-F1得分为76.16。这两种方法都优于其他比较方法。

此外，在慢性淋巴细胞白血病的数据集上，ScNucAdict从scRNA-seq到snRNA-seq的跨领域注释的准确率为98.39，Macro-F1得分为94.47，优于现有的scRNA-seq细胞类型分类器和ScAdapt。这些结果表明，ScNucAdapt在部分适应设置下有效，并能够可靠地处理跨领域注释任务。图6展示了UMAP可视化结果，表明scRNA-seq和snRNA-seq的细胞在整合后混合得很好，但仍根据细胞类型身份保持明显分离。scRNA-seq和snRNA-seq表示的可视化结果。使用UMAP对冷冻和新鲜肿瘤组织进行处理：(A) scRNA-seq到snRNA批量表示的可视化结果；(B) 使用CLL的scRNA-seq到snRNA细胞类型表示的可视化结果；(C) 使用MBC的scRNA-seq到snRNA细胞类型表示的可视化结果；(D) 使用MBC的scRNA-seq到snRNA细胞类型表示的可视化结果。
https://doi.org/10.1371/journal.pcbi.1014223.g006
ScNucAdapt实现了跨scRNA-seq和snRNA-seq的小鼠皮质细胞类型的交叉注释。我们还包含了小鼠皮质细胞类型的跨领域细胞类型注释。实验设置与前面章节中描述的相同。表5和补充S3表中显示的实验结果表明，从scRNA-seq到snRNA-seq的交叉注释（ScNucAdapt）的准确率为99.78%，优于SingleCellNet、ScMap和scAdapt。从snRNA-seq到scRNA-seq的交叉注释中，ScNucAdapt、ScAdapt和SingleCellNet的准确率为100.00%，而ScMap的准确率为99.13%（准确率）和97.99%（宏观F1分数）。

下载：PNG
更大图片
TIFF
原始图片

表5. 小鼠皮质细胞类型的目标数据集分类准确率。
https://doi.org/10.1371/journal.pcbi.1014223.t005

如补充S4图所示，UMAP嵌入成功地整合了来自scRNA-seq和snRNA-seq的细胞，同时保持了不同细胞类型的清晰分离。

在本节中，我们进行了消融实验来评估提出的ScNucAdapt框架每个主要组件的贡献。我们检查了两个核心模块：
1. 使用CS散度来衡量并最小化源子集和目标簇之间的分布差异，从而对齐它们的特征分布。
2. 动态簇选择机制，该机制可以在不预先知道簇数量的情况下识别目标域内的簇。
我们假设，移除CS散度会削弱模型跨域泛化的能力，而忽略动态簇选择会由于结构指导不足而影响模型对目标数据的有效适应。为了验证这些假设，我们在五个跨领域细胞类型注释任务上进行了消融实验，包括膀胱细胞类型、肾脏细胞类型和肿瘤细胞类型的数据集。图7的结果表明，排除任一组件都会显著降低泛化性能，这表明基于CS的分布对齐和动态簇选择对于强大的跨领域注释至关重要。

下载：PNG
更大图片
TIFF
原始图片

图7. 在8个跨领域分类上进行的消融实验。
(A) 对GSE267964-Immune (Sc)→GSE267964-Immune (Sn)的消融分析
(B) 对GSE267964-Stromal (Sc)→GSE267964-Stromal (Sn)的消融分析
(C) GSE267964-Stromal (Sn)→GSE267964-Stromal (Sc)的消融分析
(D) 对GSE140989 (Sc)→GSE121862 (Sn)的消融分析
(E) 对GSE140819-CLL (Sc)→GSE140819-CLL (Sn)的消融分析
(F) 对GSE140819-MBC (Sc)→GSE140819-MBC (Sn)的敏感性分析
(G) 对GSE123454 (Sc)→GSE123454 (Sn)的消融分析
(H) 对GSE123454 (Sn)→GSE123454 (Sc)的消融分析。
https://doi.org/10.1371/journal.pcbi.1014223.g007

特别是，即使保留CS散度，移除动态簇选择模块也会导致准确率明显下降，这突显了自适应聚类在增强ScNucAdapt在scRNA-seq和snRNA-seq域之间泛化能力方面的互补作用。这些发现强调了这两个提出的组件在减轻模式特定分布差异和实现稳定跨领域细胞类型分类方面的重要性。

在上一节中，我们介绍了超参数C，即高斯混合模型的初始簇。然而，目标数据集中实际簇的数量是未知的。我们提出的方法能够在给定超参数后动态选择适当的簇数量。因此，我们对超参数C进行了敏感性分析，以了解在不同超参数C下性能是否存在极端波动。分析中包含了六个跨领域细胞类型注释实验。图8显示的结果表明，在大多数情况下，ScNucAdapt对超参数不敏感。然而，我们在从scRNA-seq到snRNA-seq的免疫膀胱细胞类型上进行敏感性分析时注意到有轻微的波动，但性能并未显著下降。结果表明，ScNucAdapt可以自动适应不同的数据集，而无需进行大量的超参数调整，从而提高了其在实际跨领域注释中的适用性。

下载：PNG
更大图片
TIFF
原始图片

图8. 超参数C的敏感性分析。
(A) 对GSE267964-Immune (Sc)→GSE267964-Immune (Sn)的敏感性分析
(B) 对GSE267964-Stromal (Sc)→GSE267964-Stromal (Sn)的敏感性分析
(C) 对GSE267964-Stromal (Sn)→GSE267964-Stromal (Sc)的敏感性分析
(D) 对GSE140819-MBC (Sc)→GSE140819-MBC (Sn)的敏感性分析
(E) 对GSE140819-CLL (Sc)→GSE140819-CLL (Sn)的敏感性分析
(F) 对GSE140989 (Sc)→GSE121862 (Sn)的敏感性分析。
https://doi.org/10.1371/journal.pcbi.1014223.g008

此外，我们还在六个跨领域细胞类型注释实验后对权衡超参数进行了敏感性分析。补充S1图中的实验结果表明，ScNucAdapt对权衡超参数的变化不敏感。模型在广泛的值范围内保持了稳定的性能，证明所提出的方法无需大量的超参数调整即可实现一致的域适应。

为了评估ScNucAdapt的运行时间和峰值GPU内存，我们在使用Splatter生成的模拟单细胞RNA-seq数据集上进行了扩展实验。我们模拟了四个数据集，分别包含约2,000、5,000、10,000和20,000个细胞（10,000个基因，batch.facScale为0.8），从目标批次中移除了两种细胞类型后，最终细胞数量分别为1,613、4,013、7,985和16,011个。补充S2图中的结果显示，有趣的是，内存消耗从0.065GB线性增加到0.413GB，由于基于小批量的反向传播，编码器更新期间的峰值内存保持稳定。每个时代的运行时间从45.7秒增加到1,436.4秒，计算瓶颈是每个时代对整个数据集进行的GMM聚类和分割合并操作。因此，我们可以通过每n个时代重新运行聚类和匹配来减少运行时间。

讨论
在本文中，我们的研究填补了scRNA-seq和snRNA-seq之间跨领域注释的研究空白，并解决了这两种数据类型之间的分布和细胞组成差异问题。实验结果展示了ScNucAdapt在scRNA-seq和snRNA-seq之间跨领域注释的稳健性，进一步的消融实验证明了ScNucAdapt中提出的组件的有效性。此外，ScNucAdap对需要手动控制初始簇的超参数不敏感。虽然ScNucAdapt是为scRNA-seq和snRNA-seq之间的跨领域注释提出的，并且表现出稳健性，但在未来的工作中仍可以解决一些问题和挑战。首先，源数据集中存在的标签噪声[35]可能会通过引入不可靠的监督信号来降低性能。这些错误标记的样本可能阻碍域对齐并降低下游注释的准确性。其次，未来的一个研究方向是在目标数据集中发现新的细胞类型[36]。当前的跨领域注释框架严重依赖于现有的细胞类型标签，可能会忽略之前未被描述的或罕见的、特定于域的细胞群体。因此，未来的工作必须整合开放集域适应[37]或通用域适应框架[38]，因为这些框架专门设计用于处理共享和私有标签集，允许模型将目标域特定的细胞标记为“未知”以进行进一步验证。一个更具挑战性但现实的方向涉及scRNA-seq和snRNA-seq之间的基因集差异较大的情况。这将问题引入了异构域适应[39]的领域，其中特征空间本身就不匹配。未来的框架能够将异构基因集投影到共同的潜在空间中，这将大大扩展跨领域注释的灵活性和适用性。此外，由于scRNA-seq和snRNA-seq中都存在高稀疏性和高维空间，ScNucAdapt倾向于过拟合，尽管与现有的scRNA-seq跨领域注释方法相比，ScNucAdapt的泛化能力较好，但仍有必要改进性能。因此，未来的方向可以集中在开发防止过拟合并实现更好泛化的算法上[40]。最后，每个域内不平衡的细胞类型分布可能会阻碍泛化。过度代表的细胞类型可能会主导训练过程，导致模型在罕见群体上的表现不佳。未来的方法可以致力于解决这些域内不平衡问题，以提高鲁棒性和跨领域性能[41]。

结论
在这项研究中，我们提出了ScNucAdapt，这是一种专为在配对或未配对的scRNA-seq和snRNA-seq数据集之间转移细胞类型标签而设计的新型跨领域注释框架。据我们所知，这是第一个解决这两种测序协议之间独特交叉注释挑战的方法。ScNucAdapt通过三个关键组件解决了分布差异和源域与目标域之间的标签空间不匹配问题：一个共享编码器，将两个数据集投影到共同的潜在空间；一个动态聚类机制，通过分割合并操作自适应地识别目标数据中未知数量的细胞类型；以及一个基于Cauchy-Schwarz散度的匹配策略，它在最小化非共享细胞类型的负面传递的同时将源类别与目标簇对齐。在涵盖膀胱、肾脏、肿瘤和小鼠皮质组织的八个跨领域注释任务上的广泛实验表明，ScNucAdapt在准确性和宏观F1分数方面始终优于现有方法，包括scRNA-seq分类器和域适应基线。即使在目标标签空间是源标签子集的情况下，该框架也能保持稳健的性能。消融研究确认了每个提出的组件的必要性，而敏感性分析表明ScNucAdap对超参数选择具有鲁棒性，在实践中需要很少的调整。我们在模拟数据集上的可扩展性分析证实，ScNucAdapt表现出线性的内存扩展性和可管理的运行时间，适用于最多16,000个细胞的数据集，主要计算瓶颈是每个时代进行的GMM聚类和分割合并操作。对于更大的数据集，我们建议减少这些操作的频率或探索近似聚类变体。尽管有这些优势，未来的工作仍有几个有前景的方向。这些包括处理源注释中的标签噪声，通过开放集或通用域适应扩展框架以在目标域中发现新的细胞类型，解决基因集在数据集之间差异较大的异构特征空间问题，以及减轻高维稀疏空间中的过拟合。解决这些挑战将进一步增强跨领域注释方法在真实世界单细胞和单核研究中的适用性和稳健性。

总结
ScNucAdapt提供了一种强大且灵活的解决方案，用于集成和注释scRNA-seq和snRNA-seq数据，使得在实验协议和组织条件下更一致和可靠地解释细胞身份成为可能。

支持信息
致谢
本研究得到了中国国家自然科学基金（项目编号62131004给予QZ、项目编号62531002给予YW、项目编号62306051给予WL、项目编号62481540175给予WL、项目编号62276035 XFC）、山东省泰山学者基金会（项目编号tsqn202507225给予WL）和重庆市自然科学基金（项目编号CSTB2025NSCQ-GPX0857给予WL）的支持。此外，还得到了重庆市教育委员会基础研究和科学技术研究项目（项目编号KJQN202300718给予WL）的支持。资助者在研究设计、数据收集与分析、发表决定或手稿准备方面没有发挥作用。

参考文献