Bonsai重构树表示以实现高维数据的无失真可视化和探索

《Nature Biotechnology》：Bonsai reconstructs tree representations for distortion-free visualization and exploration of high-dimensional data

　　

单细胞组学方法提供了高维细胞状态的稀疏、噪声测量，其潜在分布仍知之甚少，迫切需要探索性分析和可视化方法。然而，当前方法是临时的且不可解释，并扭曲了数据中的结构。研究人员通过将数据表示为树结构克服了这些挑战，并提出了Bonsai，一种重构与任意高维对象集合相关的最大似然树的方法，该树可处理任意异质测量噪声。Bonsai自动正则化噪声，准确恢复分化轨迹，保留高维距离并改进最近邻识别。当应用于血细胞数据时，Bonsai不仅准确恢复了已知的谱系关系，还发现了一种源自髓系谱系的自然杀伤细胞（NK细胞）亚型，指出了区分髓系NK细胞与淋巴系NK细胞的基因。Bonsai没有可调参数，通过Bonsai-scout整合了下游探索性分析方法，并可扩展到大型数据集，使其适用于可视化任何高维对象集合中的结构。

单细胞组学方法（如scRNA-seq和scATAC-seq）提供了高维细胞状态的稀疏、噪声测量，但其潜在分布仍不明确，现有可视化方法（如t-SNE和UMAP）严重扭曲数据结构，导致虚假结构推断。为解决这一难题，研究人员提出基于树结构表示高维数据，并开发了Bonsai方法。Bonsai从最小假设出发，构建无参数可调的贝叶斯模型，通过最大化似然重建以细胞为叶节点的树，准确反映基因表达空间中的分化轨迹，同时保留全局距离关系。该研究发表在《Nature Biotechnology》。

主要技术方法方面，Bonsai采用Sanity算法对原始计数进行预处理，获得每个基因在每个细胞中的表达估计（log转录商，LTQ）及其误差棒。基于马尔可夫过程的假设，利用连续版本的Felsenstein修剪算法递归计算树似然，并通过贪婪添加内部节点、子树剪枝重接（SPR）和最近邻交换（NNI）等局部搜索策略优化树结构。针对大规模数据集，Bonsai提供基于骨干树的加速版本，先对随机细胞子集重建骨干树，再逐步添加其余细胞。此外，Bonsai整合了Cellstates算法进行细胞状态聚类，并开发了交互式可视化工具Bonsai-scout，支持多种布局、基因表达叠加和标记基因检测。样本队列来源包括脐带血细胞（CITE-seq数据集）、视网膜图谱（1.2M细胞）、Tabula Muris和Tabula Sapiens等公共数据集。

研究结果部分：

**1. 模拟数据上，Bonsai树表示准确恢复所有尺度上的细胞间距离**
通过构建六组模拟scRNA-seq数据集（包括不平衡树、随机分支长度、基因相关性等复杂性），Bonsai几乎完美恢复真实分化轨迹，而PCA、UMAP、PHATE和DTNE等方法严重失真。Bonsai的细胞间距离与真实欧氏距离的相关系数接近1，显著优于其他方法。

**2. 维度祝福**
即使数据并非源自树结构（如随机散点或伪批量聚类），Bonsai树仍能准确保留高维空间中的成对距离。随着维度增加（从2维到10,000维），树表示的准确性持续提升，表明高维空间中几乎所有方向相互正交，使得距离沿树的分支求和，从而实现无失真表示。

**3. Bonsai在最近邻识别上优于现有方法**
在模拟和真实数据上，Bonsai通过树结构正则化，改善了单个细胞的估计位置，其最近邻识别准确率显著高于Sanity、PCA、UMAP等。随着测量点数增加，Bonsai的估计精度进一步提高，而其他方法则下降。

**4. Bonsai可扩展至大型细胞图谱**
标准Bonsai算法处理≤30,000细胞的数据集耗时<1天，骨干树模式可处理超过100万细胞（如视网膜图谱1.2M细胞），计算时间近似为C^1.15，内存占用可控。

**5. 交互式可视化与下游探索分析（Bonsai-scout）**
Bonsai-scout支持等日光布局、树的重心移动、分支翻转、细胞类型注释叠加、基因表达展示等。提供无监督（基于最小化配对距离的迭代切枝）和监督（基于归一化互信息NMI最大化的切枝）聚类方法，在Bgee数据库测试中与Leiden/Louvain聚类结果相当。此外，可识别区分不同枝系的标记基因，通过计算细胞对间表达差异的概率实现。

**6. Bonsai自动识别前体状态或不同发育阶段的细胞**
在模拟数据中，将前体细胞作为内部节点加入时，Bonsai通过短末端分支将其连接到正确位置，根到细胞的距离与发育阶段高度相关。在秀丽隐杆线虫发育数据集上，Bonsai树的分支时间顺序与注释的发育阶段一致。

**7. Bonsai推断血细胞类型的分化轨迹**
对脐带血单核细胞（7,509细胞，含CITE-seq表面蛋白标记）进行分析，Bonsai树准确重建了已知的造血分化层次（HSC→髓系/淋巴系，红细胞、巨核细胞、T细胞、B细胞、NK细胞等），仅巨核细胞被置于髓系分支而非红细胞分支（与部分文献一致）。值得注意的是，Bonsai发现NK细胞分为两个枝系：一个位于淋巴系分支（924个细胞），另一个位于髓系分支（155个细胞）。通过表面标记（CD56、CD16）和mRNA标记（NKG7）验证，确认髓系NK细胞表达髓系标记CD11c和NK标记，排除双细胞假象。该结果在骨髓数据集（~30,000细胞）中得到复现，且标记基因分析揭示髓系NK细胞上调与识别外来分子模式、金属离子螯合和抗菌颗粒释放相关的基因，而淋巴系NK细胞上调与细胞裂解和抗病毒/肿瘤相关的基因（如MHC I类分子）。

**总结讨论部分**，研究人员指出Bonsai通过树表示实现了无失真可视化，在模拟和真实数据上显著优于现有方法，并发现了髓系来源的NK细胞亚型。Bonsai的树结构为下游分析（如基因表达变化量化、共调控网络推断、分化事件定位）提供了新途径。未来扩展方向包括：整合基因表达相关性改进概率模型；处理批次效应（已实现简单修正）；应用于多模态数据（如scATAC-seq）；结合谱系追踪数据（如条形码突变）进行联合重建；以及推广至其他生物高维数据（如流式细胞术、宏基因组学等）。研究结论部分翻译如下：Bonsai方法成功实现了scRNA-seq数据结构的无失真可视化，利用“维度祝福”效应准确保留高维距离，在血细胞数据中恢复了已知分化层次并发现新的髓系NK细胞亚型，且无参数调整，可扩展至大规模数据集，为高维数据探索提供了强大工具。