多条件单细胞RNA测序数据中条件相关模式的提取与恢复:CAPER方法

《Advanced Science》:Condition-Associated Pattern Extraction and Recovery From Multi-Condition Single-Cell RNA-seq Data With CAPER

【字体: 大 中 小 】 时间:2026年06月24日 来源:Advanced Science 14.1

编辑推荐:

  多条件单细胞RNA测序(scRNA-seq)数据分析中的一个核心挑战,是在复杂实验设计中将真实生物学信号与非期望变异有效解缠。现有基于统计学和机器学习的方法在完成这一任务时仍存在困难,常常仅提供可视化嵌入表示,或因过度校正而丢失生物学信号,或无法解析细胞类型特

  
多条件单细胞RNA测序(scRNA-seq)数据分析中的一个核心挑战,是在复杂实验设计中将真实生物学信号与非期望变异有效解缠。现有基于统计学和机器学习的方法在完成这一任务时仍存在困难,常常仅提供可视化嵌入表示,或因过度校正而丢失生物学信号,或无法解析细胞类型特异性响应。该研究提出CAPER,这是一种矩阵分解框架,可显式区分共享生物学状态与条件特异性变异。CAPER可直接输出具有可解释性的批次校正表达矩阵,在其中目标信号被保留并被分离出来。研究人员首先通过大规模模拟验证CAPER的性能,随后将其应用于3个真实世界的多条件scRNA-seq数据场景,这些场景分别代表不同信噪比(SNR)水平:高SNR的PBMCs受控免疫刺激数据、SNR受混杂影响的LUAD肿瘤微环境数据,以及低SNR的T1D复杂自身免疫疾病数据。结果显示,在这些不同情境下,CAPER均能产生与相关生物学过程相联系的可解释潜在因子,准确恢复关键差异表达基因,并正确识别响应最显著的细胞群体。CAPER是一种稳健且具有可解释性的工具,可用于从多条件单细胞RNA测序(scRNA-seq)数据中恢复生物学信号,从而支持疾病研究与功能基因组学中的可靠发现。
该论文发表于《Advanced Science》,聚焦多条件单细胞RNA测序(scRNA-seq)分析中的关键方法学难题:在疾病、刺激或肿瘤等复杂条件比较中,真实的条件相关生物学效应常与供体差异、批次效应及技术噪声交织,导致下游差异表达、轨迹推断与共表达分析容易失真。现有方法往往存在三类不足:其一,仅输出低维嵌入或邻接图,难以直接支持基因层面的后续分析;其二,在批次校正过程中可能过度整合,误删真实条件信号;其三,难以准确分辨细胞类型特异性的响应强度。基于此,研究人员开发了CAPER(Condition-Associated Pattern Extraction and Recovery),旨在通过可解释矩阵分解框架,将共享生物状态与条件特异性非期望变异明确拆分,并重建既保留生物学信号、又完成校正的表达矩阵。研究表明,CAPER在模拟数据及3类真实场景中均取得稳定表现,能够恢复关键差异表达基因、识别最敏感细胞群,并支持多种下游分析。其重要意义在于,为多条件scRNA-seq研究提供了一种兼顾生物学保真度、批次校正能力和结果可解释性的统一方案,从而提升疾病机制发现与功能基因组学研究的可靠性。

研究人员主要采用以下关键技术方法。首先,构建基于期望最大化(EM)算法的统计矩阵分解模型,以共享潜在因子和条件特异潜在因子分别建模条件相关生物学效应与残余非期望变异。其次,在模拟数据中设置高、混杂和低信噪比(SNR)场景,并与CellANOVA、scDisInFact、scVI、scGen、ComBat和fastMNN比较。再次,将方法应用于3个公开样本队列:8例SLE患者PBMCs的IFN-β刺激数据、8例LUAD肿瘤与11例癌旁肺组织数据,以及HPAP来源的5例T1D与11例健康对照胰腺样本。最后结合UMAP、差异表达分析、Augur、GO富集、共表达网络、Cox生存分析及扩散伪时序进行评估。

在研究结果部分,论文首先给出方法总览。

2.1 Overview of CAPER
CAPER以双条件设计为基础,建立统计矩阵分解(MF)模型,显式区分两类变异来源:共享潜在因子用于捕获基线细胞状态与条件相关生物学效应,条件特异潜在因子用于捕获各条件独有的残余非期望变异。研究人员据此重建批次校正后的基因表达矩阵,使其既保留条件相关信号,又降低批次与供体干扰。论文强调,该重建矩阵可同时适用于高、混杂和低SNR场景,并能支持细胞群识别、聚类、差异表达、基因共表达与轨迹推断等下游分析。该方法可按成对比较方式推广到3个及以上条件的研究设计中。

2.2 Benchmarking CAPER in Simulations
在模拟评估中,研究人员构建了具有控制性SNR的双条件scRNA-seq数据集,并设置4个细胞群体,其中CP1至CP4具有梯度式响应强度。结果显示,在高SNR(6.896)、混杂SNR(1.903)和低SNR(0.826)3种情况下,CAPER均获得最高综合评分,且在生物学保留与批次校正之间维持最优平衡。高SNR下,CAPER在UMAP中既保留清晰细胞群结构,又突出最强响应群体CP1;混杂SNR下,CAPER保持细胞群组织结构,避免条件驱动的全局过度分离;低SNR下,即便信号弱于噪声,CAPER仍能稳定保存细胞群结构。消融与敏感性分析进一步表明,该方法对潜在维度数变化并不敏感,校正步骤可在部分指标上进一步提升表现。整体上,模拟结果证明CAPER能够稳定恢复细胞类型特异性的条件响应,而非简单产生全局条件分离。

2.3 CAPER Identifies Cell Populations and Genes Responsive to the Interferon-β Stimulation
在高SNR的PBMC数据中,研究人员分析了8例系统性红斑狼疮(SLE)患者的IFN-β刺激与未刺激样本。CAPER获得所有比较方法中的最高总分,并展现最强的生物学保留能力。UMAP显示,CAPER在维持主要细胞群结构的同时,保留了CD14+单核细胞、FCGR3A+单核细胞和树突状细胞等已知IFN-β高响应群体的转录差异。Augur和干扰素刺激基因(ISGs)重叠分析进一步证实,CAPER最准确识别了髓系细胞的强响应特征。
在潜在因子解释方面,CAPER的主成分负载揭示了炎症、髓系激活、趋化和免疫调控相关基因程序,较CellANOVA具有更高的方差解释度和更明确的功能特异性。差异表达分析表明,CAPER准确恢复经典干扰素刺激基因IFI44L的上调,同时避免将UTRN误判为具有实质意义的响应基因。GO富集分析显示,CAPER识别的上调基因更集中于干扰素和免疫反应相关通路。进一步地,CAPER校正后的表达矩阵支持稳定的加权基因共表达网络分析,识别出以IFIT3、CXCL10、ISG15为核心的干扰素模块,以及与炎症趋化因子相关的模块。这说明CAPER不仅能恢复单基因差异,还能保留具有生物学一致性的模块化表达结构。

2.4 CAPER Identifies LUAD-Associated Cell Populations and Genes
在LUAD混杂SNR数据中,研究人员纳入8个肿瘤样本和11个癌旁对照样本。CAPER再次取得最高总分和最高生物学保留分值。UMAP结果显示,CAPER在保留主要细胞群体结构的同时,更好地维持了上皮细胞中与肿瘤相关的转录差异。Augur分析表明,CAPER最准确地将上皮细胞识别为LUAD中变化最显著的细胞群体,这与其在肺腺癌(LUAD)发病中的核心作用一致。
CAPER潜在因子所揭示的主轴主要涉及免疫激活、髓系状态、细胞毒性淋巴细胞程序以及上皮结构特征;相关基因富集于抗原加工与呈递、主要组织相容性复合体(MHC)蛋白复合体、淋巴细胞激活和T细胞受体复合体等通路,提示其能够较完整地恢复肿瘤微环境重塑相关生物学。差异表达分析中,CAPER在上皮细胞中识别出LUAD相关增殖基因UBE2S上调,同时避免将IFT27作为缺乏统计支持的核心肿瘤响应基因。方法特异基因富集结果显示,CAPER特异识别的上调基因更集中于血管生成、血管发育调控和血管形态发生等通路,更贴近LUAD上皮细胞与肿瘤微环境相互作用的已知机制。
此外,研究人员利用独立TCGA-LUAD bulk RNA-seq数据进行生存分析,发现基于CAPER来源差异基因建立的Cox比例风险(Cox proportional hazards)模型能够显著区分高低风险患者,并取得较优的一致性指数(C-index)。论文将此结果定位为探索性证据,说明CAPER恢复的肿瘤相关上皮信号具有潜在预后信息。

2.5 CAPER Identifies the T1D-Dependent Cell Populations
在低SNR的T1D胰腺数据中,研究人员分析了5例T1D和11例健康对照,共同检验方法在临床异质性显著且信号微弱情境下的表现。CAPER仍获得最高综合评分,表明其在低SNR背景中具有稳健性。UMAP显示,该方法在保留主要胰腺细胞群结构的同时,保留了疾病相关内分泌群体,尤其是A细胞和B型胰腺细胞中的细微条件差异。Augur分析进一步证明,CAPER将胰岛A细胞和B型胰腺细胞识别为最显著受T1D影响的群体,而未经校正数据和部分比较方法更倾向于突出导管细胞等受样本异质性影响较大的群体。
在潜在因子解释上,CAPER主成分主要反映细胞外基质重塑以及β细胞分泌功能相关基因程序,富集于胞外基质、内质网腔、运输囊泡与分泌囊泡等通路,提示其捕获了β细胞应激、囊泡运输与分泌功能异常等T1D相关过程。差异表达分析显示,CAPER在B型胰腺细胞中恢复了炎性小体相关基因NLRP1的疾病相关上调,同时避免将HOOK2误判为核心疾病响应基因。与其他方法的成对比较进一步表明,CAPER独有的差异基因更富集于细胞内运输、内质网应激应答等β细胞相关功能模块,而其他方法独有基因更多偏向一般性分泌或线粒体过程。
最后,研究人员应用扩散伪时序(diffusion pseudotime)和活性氧(ROS)通路分析,发现CAPER恢复了T1D细胞相对于对照细胞的显著正向伪时序偏移,并观察到ROS通路活性随伪时序增加而上升,表明该方法保留了与氧化应激激活相关的疾病进程样结构。由此可见,CAPER不仅有助于识别疾病相关细胞群,还能支持轨迹层面的病理生物学解释。

在讨论部分,论文指出CAPER的核心优势在于以可解释方式显式拆分共享生物学结构与条件特异残余变异,从而避免把所有条件差异一概视为噪声去除。研究人员认为,该方法相较现有工具的优势主要包括:能够同时建模生物学效应与非期望变异;能够输出适用于多类下游分析的校正表达矩阵;以及通过不同先验方差结构实现对信号与噪声的“软分离”。模拟与真实数据共同说明,CAPER在高、混杂与低SNR场景中均能稳定保持细胞身份信息、降低供体或技术偏差,并恢复细胞类型特异性的条件信号。
同时,论文也明确指出局限性:若对照样本不能充分代表批次结构,可能出现过校正或欠校正;模型对缩放参数存在依赖;以高斯近似建模标准化表达可能影响低丰度基因的不确定性估计与负载稳定性;迭代矩阵分解在超大规模scRNA-seq数据中仍有计算负担。未来可进一步扩展至计数型建模、三条件及以上的联合建模、空间转录组与多组学整合,以及更大规模疾病队列。

研究结论可概括为:CAPER为多条件单细胞转录组学中条件相关生物学信号的恢复提供了一个灵活、可解释且稳健的框架。通过分离共享生物学结构与条件特异性非期望变异,CAPER在减少供体、样本与技术混杂的同时,保留了可重复的生物学效应。其在模拟研究以及高SNR、混杂SNR和低SNR真实数据中的表现证明,该方法能够有效识别响应细胞群、恢复具有生物学意义的基因,并支持差异表达、共表达、轨迹推断和生存分析等多种下游任务,因而对疾病研究与功能基因组学具有重要方法学价值。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号