GAHIB：结合双曲信息瓶颈与图注意力变分自编码器的生物结构化单细胞表征学习方法

《Frontiers in Genetics》：GAHIB: graph attention VAE with a hyperbolic information bottleneck for biologically structured single-cell representations

　　

现有单细胞RNA测序（scRNA-seq）变分自编码器（VAE）通常分别强调局部细胞图结构、双曲潜空间几何或瓶颈压缩，然而这些偏置很少在同一证据门控表征模型中被联合评估。研究人员提出GAHIB（graph attention VAE with a hyperbolic information bottleneck，图注意力变分自编码器结合双曲信息瓶颈），该方法整合图注意力编码器、二维信息瓶颈以及洛伦兹（Lorentz）双曲几何损失。由于主要聚类基准采用Leiden派生代理标签而非确定性生物学真实标签，研究人员采用两层评估策略：一是广泛的53数据集代理标签基准用于方法刻画，二是针对注释系统的精选标签和标志物分析用于生物学解释。在代理基准中，GAHIB在聚类、投影质量和潜结构指标上表现出平衡的聚合特征，同时重要比较结果仍呈混合态势：scVI在归一化互信息（NMI）/调整兰德指数（ARI）上统计接近GAHIB，而scDHMap在DRE-UMAP上保持竞争力。在精选标签系统中，生物学信号仍具情境依赖性；肌肉图谱分析支持谱系对齐结构与标志物富集，而精细T细胞免疫亚型任务则倾向于scVI。敏感性、种子稳定性、有界计数丢弃试点以及成本分析表明在所测试设置下具有实用运行时间；然而，丢弃证据限于命名试点系统，完整的人工精选来源仍为明确局限。综上，这些结果将GAHIB定位为一种互补的、几何感知的单细胞表征方法，而非简单的聚类替代方案。

GAHIB：结合双曲信息瓶颈与图注意力变分自编码器的生物结构化单细胞表征学习方法解读

**研究背景与动机**

单细胞RNA测序（scRNA-seq）技术已能够常规性地在单个细胞分辨率上解析转录状态，产生每个细胞包含数千个基因的高维计数矩阵。聚类、轨迹推断、差异表达检测和状态注释等下游分析均依赖于用于概括每个细胞的潜表征。广泛采用的流程如Scanpy和Leiden聚类继承其所嵌入表征的优势与局限，因此潜空间的选择远超出嵌入步骤本身。与批量表达测量不同，scRNA-seq矩阵具有稀疏性、过离散性，且可由负二项（negative-binomial, NB）计数模型较好近似。它们还具有结构性异质性：离散细胞身份与连续过渡状态及分支发育程序共存，标准聚类无法单独解决ADM解决。因此，实用的嵌入必须同时满足多个要求：去噪计数、保留用于聚类和图构建的局部邻域关系，以及保留用于可靠轨迹推断和生物学解读的全局组织性。仅优化其中一个目标的方法可能产生聚类清晰但流形结构差的表征，或流形平滑但细胞状态分离弱的表征。

变分自编码器（VAE）已成为单细胞表征学习广泛使用的框架。scVI及其半监督扩展scANVI是这一范式的代表，采用MLP编码器拟合负二项似然以产生适合下游聚类的欧几里得嵌入。尽管这些模型有效的去噪器，但其默认欧几里得潜空间仍将邻域连续性和谱系分支视为次要效应而非显式结构约束。标准VAE存在两个结构性先验未充分指定的问题：第一，细胞类型可形成分化层级（干细胞→祖细胞→分化细胞），这种分支拓扑在欧几里得几何中难以无失真表示——双曲空间以指数级更低的失真嵌入类树结构；第二，细胞在基因表达空间中形成局部邻域，但许多VAE编码器独立处理每个细胞，不直接使用细胞图拓扑。

近期方法开始分别解决这些局限：双曲VAE及相关几何潜变量模型探索非欧几里得先验；scGNN和scGCC构建图感知编码器；scDHMap将潜码映射到庞加莱圆盘；siVAE通过解码器雅可比矩阵提取基因级别可解释性。深度变分信息瓶颈（deep variational information bottleneck, VIB）为结构化压缩提供变分框架，但很少在单细胞环境中与双曲几何耦合。因此，这些要素通常仍被分别处理。

**GAHIB方法概述**

GAHIB将三个结构性组件整合到单一变分自编码器中。图注意力网络（graph attention network, GAT）编码器在k-近邻（k-nearest-neighbour, kNN）细胞图上运行两层GAT，通过学习注意力加权邻域聚合捕获细胞类型感知互作。信息瓶颈（information bottleneck, IB）层将d维潜码z线性压缩至二维流形坐标z′，创建适合几何损失的结构化低维表征。洛伦兹双曲几何损失通过z与z′之间的洛伦兹双曲面测地距离促进潜空间形成层级组织，其中祖细胞样状态预期占据较低范数位置，分化状态占据较高范数位置。关键架构特征是IB层提供定义双曲损失稳定目标所需的压缩流形坐标z′，而GAT编码器通过邻域感知表征强化两项几何约束。

研究人员围绕证据层级而非单一排行榜组织分析。第一层为精选/来源标签和标志物分析，询问学习几何何处与非Leiden生物学标签或标志物特征对齐；第二层为广泛53数据集基准，刻画一致Leiden代理参考下的行为，这对可比性有用但不视为生物学真实标签；第三层涵盖稳健性、敏感性和成本研究，说明当前证据完整之处及仍受试点设置或不完整元数据限制之处。

**关键技术方法**

GAHIB的评估涵盖53个scRNA-seq数据集、11项研究轨道和20个指标，包括降维评估（dimensionality reduction evaluation, DRE）、潜空间评估（latent space evaluation, LSE）、基于UMAP的投影质量以及Wilcoxon符号秩检验。数据集来源包括27个癌症数据集（皮肤、乳腺、肝脏、血液/白血病、胃肠道、肺腺癌、脑转移、默克尔细胞癌和T细胞癌）和26个发育数据集（造血、神经发育、胚胎/干细胞系统、器官发育、疾病模型和图谱级参考）。样本物种涵盖人和小鼠，细胞数从2,531到957,975不等。所有数据集经相同预处理：文库大小归一化、log(1+x)变换、选取2,000个高变基因、二次采样至不超过3,000个细胞。聚类标签通过Scanpy的Leiden聚类（分辨率=1.0）在PCA→UMAP邻域上获得，作为一致的无监督参考分区而非生物学真实标签。训练配置统一为200轮、早停耐心值30、隐藏维度128、潜维度10、IB维度2、学习率10^-4、批次大小128。GAHIB特定权重：β=0.1，λ_ib=0.5，λ_hyp=5.0，GAT编码器基于15-NN图，采用10×512节点子图采样。

**研究结果**

组件消融研究（五个变体）：通过逐步移除组件评估，包括基础VAE（MLP，无IB，无几何）、VAE+IB、VAE+Hyp、VAE+IB+Hyp和完整GAHIB（GAT+IB+Hyp）。结果显示，添加IB使ARI提高0.027、ASW提高0.044、DAV降低0.252；添加双曲几何单独仅带来边际聚类改善但显著提升DRE和LSE；IB+Hyp组合实现最佳DRE（0.735）和LSE（0.534）；替换为GAT编码器产生最大单步提升（NMI+0.072，ARI+0.078，ASW+0.149，DAV-0.425，p<0.001），GAT编码器携带大部分聚楼道增益，几何损失细化所得潜在几何结构。

深度学习基准（八种方法）：GAHIB在NMI、ARI、ASW和LSE上具有最高均值，但scVI在NMI/ARI上统计接近，scDHMap在DRE-UMAP上保持竞争力。研究人员将GAHIB框架为平衡的表征学习者而非对所有指标或生物学用例均最优。

经典降维基准（六种方法）：GAHIB在DRE和LSE上优于PCA、ICA、NMF、截断SVD和扩散图，但PCA和截断SVD在NMI和ARI上更高，反映线性可分数据上的强势表现。

几何VAE基准（六种方法）：仅可学习PGM变体保持竞争力，其他几何先验崩溃为弱嵌入，证明仅靠双曲先验不足，需邻域感知编码和锚定瓶颈。

解耦正则化比较（六种方法）：所有解耦正则化策略（β-VAE、DIP-VAE、β-TC-VAE、InfoVAE）均降低聚类质量，TC-VAE最严重（NMI 0.404）；InfoVAE近乎中性。GAHIB的几何结构先验比解耦后验正则更有效。

编码器架构比较（三种类型）：GAT>>Transformer>>MLP的清晰层级，GAT益处源于显式图结构而非单纯自注意力。

图卷积算子扫描（六种算子）：GAT为最强算子，注意力机制提供可学习、细胞特异性聚合权重。

**生物学解释与讨论**

GAHIB的生物学解释基于四个分析家族：精选/来源标签和标志物分析提供非Leiden生物学验证；双曲层级和伪时间分析检验洛伦兹范数是否追踪分化样结构；稳健性和敏感性千寻分析区分已完成检查与有界计数丢弃试点；计算成本分析量化可部署性。

在三个携带多级精选生物学标签的数据集上，GAHIB的生物学效用呈情境特异性：PanSci-肌肉（谱系，7级）支持谱系导向观点，精选标签分析显示比scVI更高的精选ASW和略高的ARI，标志物富集分析鉴定出内皮、基质和免疫标志物的显著恢复；PanSci-T细胞（免疫亚型，18级）中scVI更匹配精细免疫亚型分类学；肺发育（细胞类型，13级）为中间状态。

超双曲层级分析显示，干细胞和祖细胞具有较低洛伦兹范数（靠近原点），分化细胞较高（靠近边界）。干度-范数斯皮尔曼相关系数ρ_s在45/53数据集中为正（均值0.329），最显著相关系数出现在发育数据集中：齿状回ρ_s=0.673、乳腺癌0.615、结直肠腺癌0.505、默克尔细胞癌0.501。

基因本体（GO）生物学过程富集分析在四个性质不同的数据集（齿状回、造血、Setty造血和hESC）上验证了个体潜维度编码相干生物学程序。潜维度分区生物学程序具有区室性：L0和L3捕获免疫相关通路；L1、L4、L5、L9编码神经程序；L2和L6恢复细胞周期机制；L7特异性捕获胶质生物学；L8和L9定位止血和血小板激活。组织情境特异性显著：脑源性模型不恢复血小板生物学，血液训练模型不恢复神经发生。

洛伦茨范数伪时间通过原始基因表达直接验证：已知祖细胞样程序随r_i减小，谱系承诺程序增加。四个数据集的顶负相关和顶正相关高变基因显示沿r_i的分离表达轨迹。

**稳健性、效率与敏感性**

潜维度消融显示d=3时聚类质量峰值，d=50时ASW显著降低；多种子再现性显示NMI=0.739±0.022、ARI=0.546±0.041、ASW=0.359±0.020，种子间变异小于3%。计算成本为每数据集22.0±3.2秒，峰值GPU内存0.11 GB，较基础VAE开销41%，较VAE+IB+Hyp开销10%。细胞数扩展性平坦（500-3000细胞，22.0-22.6秒），批次大小影响微小（32-512，相对扩展<4%）。

有界计数丢弃试点在三个注释系统上进行0%-60%非零计数掩码，结果显示方法降级具有情境依赖性，GAHIB未显示普适丢弃抗性。超参数敏感性显示仅λ_hyp有 meaningful 效应（NMI扩展Δ=0.044），较小λ_hyp改善聚类但降低层级结构，提示聚类分离与双曲几何保存间的权衡。

**研究结论**

研究人员提出GAHIB，一种结合图注意力编码、信息瓶颈压缩和洛伦兹双曲几何的单细胞潜表征学习框架，其中瓶颈为双曲项提供所需目标。在53个scRNA-seq数据集的11项实验研究中，研究证实：各组件均贡献性能，GAT编码器提供最大增益，IB层对双曲几何架构不可或缺；在Leiden代理基准中，GAHIB提供平衡的聚合特征，而关键比较仍统计接近或情境依赖；生物学解释在注释或标志物锚定系统上得到最强支持，肌肉图谱显示谱系对齐标志物富集，肺发育为混合，T细胞免疫亚型任务倾向scVI；双曲半径与干度相关（53数据集均值ρ_s=0.329，发育系统高达0.673），解码器雅可比矩阵恢复31.5%标志物基因，GAT注意力显示81.2%平均细胞类型同质性；GAHIB在重复运行和测试调参设置中显示低变异。综上所述，将图结构化编码通过信息瓶颈与双曲几何耦合，是期望谱系导向几何和邻域保留时单细胞潜表征学习的有用设计。更广泛而言，该研究表明邻域结构和层级几何可被处理为互补而非竞争的归纳偏置。