特异性驱动的图学习用于稀有细胞状态识别

《Advanced Biotechnology》：Specificity-driven graph learning for the identification of rare cell states

　　

多细胞生物包含多种多样的细胞类型和细胞状态，其中一些以极低的丰度存在，仅在受限的空间生态位中或对应激和损伤的响应中短暂出现。尽管这些细胞稀少，但它们可贡献于谱系定向、组织再生、疾病进展、免疫逃逸、治疗耐受和复发。单细胞RNA测序（single-cell RNA sequencing, scRNA-seq）为剖析这种异质性提供了高分辨率窗口，从而有望捕获低丰度群体。对于已被捕获的细胞，在控制技术变异的同时保留并可靠识别稀有信号，仍然是单细胞和空间转录组分析的核心问题。现有方法通常基于细胞间相似性构建邻域图并在相似细胞间传播信息；当稀有细胞缺乏相似邻居时，其表示容易过度平滑，最终被高丰度群体吸收。在多批样本分析中，批次校正可能进一步削弱稀有细胞状态的信号。针对这一问题，研究人员提出了scFormer，这是一种用于稀有细胞状态识别的异质图Transformer框架。该框架在统一优化中整合表示学习、聚类和可选的批次校正。在基准测试中，scFormer在125个Splatter模拟数据集上实现了0.988的平均F1分数（方差0.008），在18个真实数据集上达到最高的平均F1分数（0.595），并在小鼠视网膜数据集上达到0.955。在一个包含30,669个细胞、4个批次的PBMC数据集上，scFormer的iLISI达2.695，优于Harmony的2.191；稀有细胞识别的F1分数、精确度和召回率分别为0.675、0.977和0.516。此外，scFormer能够恢复小鼠气道和肠道已知的稀有上皮细胞群体，并在空间转录组中定位了丰度低于1%的稀有细胞状态。这些结果表明，特异性驱动的图连接策略能够有效识别复杂、非平衡数据集中的稀有细胞状态，为稀有细胞状态分析提供了新的连接思路。

特异性驱动的图学习框架scFormer：从稀有细胞状态识别到图谱构建的新策略

在单细胞和空间转录组学研究中，稀有细胞状态的识别一直是一个核心挑战。多细胞生物中存在大量低丰度但具有重要生物学功能的细胞类型，它们可能在谱系定向、组织再生、疾病进展、免疫逃逸和治疗耐受中发挥关键作用。近年来，单细胞RNA测序技术（single-cell RNA sequencing, scRNA-seq）为解析组织异质性提供了高分辨率手段，理论上能够捕获这些低丰度群体。然而，现有数据分析方法通常基于细胞间相似性构建邻域图，并在此类图上传播信息。当稀有细胞缺乏足够相似的邻近细胞时，其表示容易遭受过度平滑，最终被高丰度群体吸收；在多批次数据整合中，批次校正也可能进一步削弱稀有细胞状态的真实信号。因此，如何在控制技术变异的同时保留并可靠识别稀有信号，是当前单细胞和空间转录组分析亟需解决的问题。针对这一挑战，中山大学郑凌玲和冯笑团队在《Advanced Biotechnology》发表了scFormer框架，该框架通过重新定义图连接方式，实现了对稀有细胞状态的有效识别。

研究人员提出了scFormer，这是一种异质图Transformer框架。与传统方法先构建全局细胞邻域再寻找稀有群体的思路不同，scFormer将图连接的建立优先基于基因特异性。具体而言，在核心分析中，模型依据Z分数为每个细胞选择20个高特异性候选基因，并据此在细胞与基因之间构建双向连接。即使稀有细胞缺乏相似细胞邻居，它们仍可通过共享的基因节点建立间接关联，从而在图构建阶段保留其特异表达模式。随后，异质图Transformer采用针对不同节点类型和关系类型设计的注意力机制，学习细胞和基因的低维表示。聚类模块使用初始聚类产生的伪标签施加判别约束，同时联合优化表达重构和簇内紧致性目标。对于多批次数据集，模型还可引入全局分布对齐与局部结构保持的损失函数，在减轻批次效应的同时尽量保留稀有生物学信号。

为验证方法性能，研究人员使用了多种数据来源。主要包括125个Splatter模拟数据集（其中包含99:1的极端不平衡比例）、18个公开真实单细胞数据集（如小鼠视网膜、气道、肠道等）、一个包含30,669个细胞横跨四批次的人外周血单个核细胞（PBMC）数据集，以及sci-Space小鼠胚胎空间转录组数据集。研究主要采用了以下几个关键技术环节：基于Z分数的高特异性候选基因筛选与细胞-基因异质图构建；针对异质图结构的Transformer注意力机制；融合伪标签判别约束、表达重构和簇内紧致性损失的聚类优化；多批次场景下全局分布对齐与局部结构保持的联合学习策略。这些方法共同支撑了scFormer在复杂、非平衡数据上的稳健表现。

在基准测试部分，研究结果按照三个小标题呈现。首先，在“稀有细胞识别和批次整合的基准测试”（Benchmarking rare-cell identification and batch integration）中，scFormer在125个Splatter模拟数据集上的平均F1分数达到0.988，方差仅为0.008，显示出极高的稳定性。在18个真实数据集中，根据原始研究注释，参考稀有群体被定义为丰度不超过5%的细胞类型，scFormer取得了所有比较方法中最高的平均F1分数（0.595），其中在小鼠视网膜数据集上达到0.955。对于包含四批次细胞的PBMC数据集，scFormer的iLISI（一种批次混合评价指标）达到2.695，高于Harmony方法的2.191；稀有细胞识别的F1分数为0.675，精确度为0.977，召回率为0.516。这些结果共同表明，scFormer在复杂、不平衡及多批次数据中具有稳定的稀有细胞识别能力。

其次，在“稀有上皮和肠道群体的恢复”（Recovery of rare epithelial and intestinal populations）中，研究人员检验了scFormer在真实数据中恢复已知群体和候选状态的能力。在小鼠气道上皮数据集中，scFormer检测到Foxi1阳性的肺离子细胞和杯状细胞，并识别出两种分别与基底细胞和克拉拉细胞相关的候选状态，这些状态均展现出增殖特性。即使移除一组细胞周期相关基因，这些群体仍可被部分检测到。在小鼠肠道隐窝再生数据集中，模型鉴定了表达Clu和Anxa1的复兴干细胞（revSCs），以及几乎仅在未照射样本中被检测到的具有B细胞和浆细胞样树突状细胞特征的低丰度免疫亚群。这些免疫亚群的组成差异与组织损伤状态存在关联，进一步显示了scFormer对罕见且生物学相关亚群的恢复能力。

最后，在“空间转录组中的稀有细胞状态”（Rare cell states in spatial transcriptomics）中，研究团队使用sci-Space小鼠胚胎空间转录组数据集的代表性切片slide_4E进行验证。scFormer以0.92%的丰度定位到一种胆管上皮样状态，并以0.52%的丰度定位到一种富集胰腺标志物的状态，并成功将其映射回原始空间坐标。这两种状态相对于置换背景的空间自富集倍数分别达到35.74倍和89.52倍，表明它们在该切片内具有显著的空间聚集性。这一部分的结果证明，scFormer不仅适用于单细胞转录组数据，也能够在空间转录组中识别低丰度的细胞状态并保留其空间位置信息。

在讨论和展望部分中，研究指出scFormer的意义不仅在于准确识别稀有细胞状态，更在于通过允许高特异性基因参与定义细胞间连接，降低了对高丰度细胞邻域的依赖。这种特异性驱动的图构建策略为稀有细胞状态分析提供了一种新的连接范式。随着单细胞与空间图谱规模的持续增长，确保这类低丰度但具有生物学意义的状态不被遗漏将变得日益重要。scFormer目前可以作为一个可行的起点，未来在多模态数据图谱、扰动筛选以及临床样本中的进一步验证，将有助于继续检验和拓展该方法的价值。研究人员总结认为，特异性驱动的图连接构建策略能够有效识别单细胞和空间转录组中的稀有细胞状态，为稀有细胞分析提供了新的有效途径。