单细胞分析中基于轨迹信息的基因特征选择方法SEEK-VFI

《Cell Reports Methods》：Trajectory-informed gene feature selection in single-cell analysis with SEEK-VFI

　　

动机：理解细胞发育轨迹是单细胞RNA测序（scRNA-seq）数据分析的一个关键目标。轨迹推断方法通常需要一个特征选择预处理步骤，理想情况下应筛选出与潜在轨迹相关的基因。然而，标准特征选择方法旨在识别在离散细胞簇间变异的基因。因此，这些方法可能无法捕获与潜在连续轨迹相关的基因。研究人员引入了一种用于单细胞RNA测序特征选择的方法，该方法能够捕获轨迹相关基因，而无需显式建模潜在的细胞轨迹。
亮点：
• 单细胞RNA表达分析的特征选择方法
• 主题建模与集成学习以估计低维结构
• 优先识别轨迹相关基因用于下游分析
• 相比现有方法，改进了伪时间推断和细胞嵌入
摘要：高变异基因的优先选择是单细胞轨迹推断中的重要步骤。然而，当变异源于连续的潜在细胞发育轨迹时，标准方法可能无法区分轨迹相关基因和无信息基因。SEEK-VFI（基于Eigenscore的K-未知变量特征识别的主题模型谱集成）是一种用于轨迹推断预处理的集成主题建模机器学习算法，它优先选择轨迹相关基因。该方法优于现有方法，并识别出关键基因，这些基因改进了轨迹拓扑重建、增强了可视化，并强化了下游轨迹分析。
图形摘要：略。

论文解读文章：

单细胞RNA测序（scRNA-seq）技术的发展使得在单个细胞水平上研究基因表达成为可能，进而揭示细胞发育的复杂过程。轨迹推断（trajectory inference）作为单细胞数据分析的核心任务，旨在基于细胞水平的基因表达谱重建细胞分化的动态结构。然而，轨迹推断方法通常需要一个关键的预处理步骤——特征选择（feature selection），即筛选出与潜在发育轨迹相关的基因。现有标准特征选择方法（如Seurat中的分散度、方差稳定化变换等）主要针对离散细胞簇（如不同细胞类型）之间的差异表达基因设计，它们直接操作高维归一化表达矩阵，未能利用表达数据的低维平滑结构。当细胞处于连续的分化轨迹中时，这类方法往往遗漏那些沿轨迹缓慢变化的关键基因，导致轨迹重建不准确。为了解决这一问题，研究人员开发了SEEK-VFI（Spectral Ensembling of topic models with Eigenscore for K-agnostic Variable Feature Identification），一种基于主题建模和谱集成的集成机器学习方法，用于优先选择与轨迹拓扑结构高度相关的基因。

研究人员通过模拟数据和真实scRNA-seq数据集（包括成纤维细胞重编程、肾脏导管细胞分化、少突胶质细胞成熟、胸腺T细胞分叉等）进行了系统评估。结果表明，SEEK-VFI在区分轨迹相关基因与无信息基因方面显著优于现有方法（如Seurat的分散度、缩放分散度、方差稳定化变换以及DELVE）。在模拟实验中，当信号强度变化时，SEEK-VFI的AUC（曲线下面积）始终最高；在真实数据中，基于SEEK-VFI筛选的基因构建的低维嵌入更清晰地反映真实轨迹结构，并改善了伪时间推断和细胞状态识别等下游分析性能。此外，SEEK-VFI的计算效率较高，在标准笔记本电脑上几分钟内即可完成分析，而其他轨迹感知方法（如DELVE）需要数小时。

**主要关键技术方法**
研究人员使用了以下关键技术方法（忽略具体试剂和培养操作，样本队列来源于公开数据集）：
- **主题建模（Topic Modeling）**：将基因-细胞表达矩阵分解为基因-里程碑矩阵和里程碑-细胞矩阵，其中里程碑代表潜在轨迹上的节点。
- **Topic-SCORE算法**：基于奇异值分解（SVD）和单纯形几何的高效方法，用于估计基因-里程碑矩阵。
- **尖峰度度量（Spikiness Metric）**：通过计算归一化基因-里程碑矩阵每行的平方?₂范数，量化每个基因沿轨迹的表达变化程度。
- **谱集成方法**：对一系列候选里程碑数K（K=3,...,12）对应的轨迹相关性向量（TRV）进行集成，通过计算协方差矩阵的领先特征向量获得共识轨迹相关性评分。
- **下游分析工具**：采用Monocle3、Slingshot和Totem进行轨迹重建和伪时间推断，评估特征选择效果。
样本队列来源包括：成纤维细胞数据集（Treutlein et al., 2016），肾脏数据集（Park et al., 2018），少突胶质细胞数据集（Marques et al., 2016），胸腺数据集（Han et al., 2018）。

**研究结果**
**主题建模假设与工作流**
主题建模假设表达矩阵具有低秩结构，将基因×细胞矩阵分解为基因×里程碑矩阵和里程碑×细胞矩阵。里程碑×细胞矩阵捕获细胞沿轨迹的位置，基因×里程碑矩阵捕获每个基因在每个里程碑的预期表达水平。通过计算每个基因的尖峰度（spikiness），即归一化行向量的平方?₂范数，量化基因对轨迹结构的贡献。高尖峰度的基因在轨迹上变异显著，被优先选择；低尖峰度的基因表达均匀，信息量低。这些度量被收集为轨迹相关性向量（TRV）。

**SEEK-VFI的谱集成**
由于真实里程碑数K未知，研究人员对一系列候选K值（如3到12）运行Topic-SCORE，得到多个TRV。然后通过谱集成方法（基于协方差矩阵的特征向量）将这些向量聚合，得到每个基因的共识轨迹相关性评分。该评分用于基因排序和下游特征选择。

**模拟数据比较**
在模拟数据中（5,000个细胞，10,000个基因，其中10%为轨迹相关基因，90%为无信息基因），改变信号强度α，SEEK-VFI在区分轨迹相关基因与无信息基因方面的AUC始终高于Seurat的三种方法（分散度、缩放分散度、方差稳定化变换）和DELVE。随着样本量增加，优势更明显。SEEK-VFI对不同的轨迹拓扑结构（如线性、分叉、树状）具有鲁棒性，且对集成上限的选择不敏感。

**真实数据比较**
在五个真实scRNA-seq数据集上，研究人员比较了各方法筛选的基因对潜在轨迹重建的误差。SEEK-VFI在所有数据集和不同基因选择阈值下均实现了最低的轨迹重建误差（基于细胞间距离矩阵的均方误差）。低维嵌入（如UMAP、t-SNE、PCA）中，SEEK-VFI筛选的前500个基因产生的细胞嵌入更清晰反映真实轨迹结构。下游伪时间推断和细胞状态识别方面，使用Monocle3、Slingshot和Totem时，SEEK-VFI在多个数据集上表现最佳，尤其在基线性能较差的成纤维细胞和胸腺数据集上改进显著。基因集重叠分析显示，SEEK-VFI优先选择的基因与现有方法重叠较小，表明其能捕获被传统方法忽略的独特表达模式。

**运行时间**
SEEK-VFI的运行时间取决于数据集大小和集成的候选里程碑模型数量。对于5,000个细胞、10,000个基因的数据集，SEEK-VFI在几分钟内完成，而DELVE需要近3小时。即使对于50,000个细胞、20,000个基因的数据集，SEEK-VFI在标准笔记本电脑上也能在几分钟内完成。

**总结与讨论**
讨论部分指出，SEEK-VFI是一种从单细胞转录组数据中检测轨迹相关基因的强大方法。模拟和真实数据均表明，其性能优于传统特征选择方法，能改进轨迹嵌入和伪时间估计。研究局限性包括：Topic-SCORE算法在K增大时计算成本呈指数增长；底层k-means聚类可能不稳定；研究人员需独立确定候选K值范围；且SEEK-VFI不提供基因选择的保证阈值。
研究结论：研究人员展示了SEEK-VFI在区分轨迹相关基因与无信息基因方面优于传统方法，并在多种生物过程和轨迹结构的真实scRNA-seq数据集中优先选择轨迹相关基因，从而改善了轨迹嵌入和伪时间估计。该论文发表在《Cell Reports Methods》。