用于单细胞RNA测序分析的基因特征引导双向检索框架

《Neurocomputing》：A gene signature-guided bidirectional retrieval framework for single-cell RNA-seq analysis

　　

摘要
单细胞类型注释是将基因表达模式与细胞身份联系起来的基本步骤。然而，现有方法主要集中于从基因表达预测细胞类型的前向任务。对于反向任务——即利用已知细胞类型来识别对应的单细胞群体及其基因表达特征——它们提供的支持十分有限。这一局限主要源于缺乏可解释的知识桥接层。没有这一层，细胞类型标签与基因表达之间难以在一个共享的语义空间中对齐。为解决这一问题，我们提出了scBRF，一个跨模态单细胞双向检索框架。scBRF以基因签名为知识桥，为基因表达谱、基因签名和文本标签构建统一语义空间。它保留了标准的前向注释功能，即从基因表达谱中检索细胞身份。它同时支持文本标签驱动的反向检索，用于识别目标细胞群体以供进一步筛选。通过在超过一百万个细胞上的大规模训练和实验验证，scBRF在前向检索任务中相较于scGPT在组织相关数据集上的准确率提高了4.9%，F1分数提高了10.7%。在反向检索任务中，scBRF能够从文本标签中准确识别目标细胞亚群，并通过与相应基因签名对齐展现出良好的生物学可解释性。总体而言，本研究为单细胞分析建立了双向语义范式，提高了可解释性，并为单细胞数据的双向语义关联分析提供了一种基于基因签名的解决方案。

引言
当前单细胞类型注释主要集中于前向判别过程：即从给定的细胞基因表达谱中预测细胞身份[1]。为了解决单细胞RNA测序（scRNA-seq）数据中高稀疏性和dropout噪声的问题[2]，研究人员提出了EnTSSR等集成学习方法用于预处理[3]。在此基础上，细胞类型注释成为单细胞分析中的关键下一步[4]，[5]。此外，在许多实际生物学研究中，研究人员所关注的不仅仅是为未知细胞分配标签。他们更需要基于已知细胞身份，从大规模单细胞数据中反向定位目标细胞群体[6]。例如，在肿瘤免疫微环境分析、疾病相关细胞亚群筛选和发育状态追踪等场景中，研究人员通常从明确的细胞类型假设出发，然后需要在复杂的细胞群体中系统地识别匹配的细胞。因此，单细胞分析迫切需要从传统的单向注释扩展为双向检索任务。该任务同时支持从基因到细胞类型的前向识别，以及从细胞类型到目标细胞群体的反向检索。

该任务的核心挑战在于缺乏一个中间知识桥接层，无法在细胞表达谱和细胞类型标签之间建立双向链接。如图1(A)所示的现有方法通常学习从基因表达特征到细胞类型标签的直接映射，将细胞注释简化为直接分类或匹配任务[7]，[8]。这种方法可以回答"这个细胞属于哪个类别？"，但难以回答"特定类型的细胞应如何在数据集中被定位？"其根本原因在于细胞类型标签是高度压缩的语义描述，无法与高维、稀疏且异质的基因表达谱形成稳定的直接对应关系[9]。近期研究表明，基因签名能够自然地连接细胞类型标签与基因表达数据[10]。基因签名是一组共享共同功能或表达模式的基因集合。与单一标记基因不同，它们提供了更稳健且可解释的生物学证据[11]。因此，它们是实现基因表达与细胞类型注释之间双向语义对齐的关键桥梁。

尽管基因签名为双向语义对齐提供了有希望的桥梁，但有效实施它们仍面临若干困难。首先，细胞类型的高度压缩语义目标需要被稳定地转换为可识别的分子证据。该转换过程必须在稀疏且异质的表达数据上保持稳健和可解释。在此基础上，三个不同层次的元素——基因表达、基因签名和细胞类型描述——需要进一步对齐到统一的语义共识空间中。同时，跨层对齐过程中的信息丢失和语义断裂必须被避免。这构成了另一个技术壁垒。最后，统一空间还必须具备双向导航能力。它应支持从基因表达到细胞类型描述的前向匹配，同时也应能够借助基因签名从类型语义中反向定位目标细胞群体。这正是现有直接映射方法难以克服的关键瓶颈。

为突破这些关键瓶颈，本研究引入了scBRF，一个跨模态单细胞双向检索框架。如图1(B)所示，scBRF在细胞基因表达谱和细胞类型标签之间引入了基因签名层，构建统一嵌入空间。与仅执行单向预测的传统方法不同，该设计在基因表达和文本标签之间建立了可解释的桥梁。因此，该模型既支持前向注释——将单细胞表达特征与相关细胞类型标签匹配，也支持反向检索——使用基因签名作为引导来定位目标细胞群体。这种方法将单细胞分析扩展到了传统单向分类范式之外，为细胞身份识别提供了一种统一、灵活且可解释的解决方案。本文的主要贡献如下：

1. 我们提出了单细胞双向检索任务。该任务将传统的单向"基因到类型"注释扩展为一个同时支持前向注释和反向检索的新范式。
2. 我们设计了一种基于基因签名的语义桥接机制。通过基因签名连接细胞表达谱与细胞类型语义，该机制实现了跨层级语义对齐和可解释匹配。
3. 我们提出了一个名为scBRF的统一框架。在统一语义空间内，scBRF同时执行细胞类型注释和目标细胞群体检索。其有效性在多个数据集上得到了验证。

分节片段

单细胞注释与基因签名
单细胞注释旨在将高维基因表达数据映射到具有意义的细胞类型标签[5]，并随着单细胞数据集的快速增长而取得了长足发展[12]。注释方法已从基于标记基因和参考数据集的传统方法，发展到监督学习方法，最近则发展到基于预训练模型的方法。SCINA[13]和Garnett[14]等基于标记基因的方法通过统计富集来注释细胞类型……

问题定义
给定一个scRNA-seq数据集$D$，其中$n$是细胞数量，$\mathbf{x}_i$表示第$i$个细胞的基因表达谱。此外，$\mathbf{z}_i$表示对应的基因签名表示，其中$m$是标记基因的数量，$\mathbf{t}_i$表示细胞类型的自然语言描述。

前向检索的目标是给定细胞的基因表达谱，检索最匹配的文本描述。训练一个具有参数集$\theta$的参数化映射函数$f$，使得对于……

数据集描述
本研究使用的单细胞RNA测序数据来源于公共数据库DISCO[49]。集成数据集共包含1,282,093个细胞，覆盖22种组织类型和11种主要疾病状态，并统一以h5ad格式存储。组织数据集主要由血液样本组成，反映了外周血单个核细胞在单细胞研究中的核心重要性。其他主要组织包括结缔组织、大脑、心脏、肠道和胰腺。

讨论
本研究提出了scBRF，一个由基因签名引导的单细胞双向检索框架。该框架引入了细胞类型特异性基因签名作为知识桥接层，突破了传统注释方法从基因表达到标签单向映射的局限性。通过跨模态语义对齐机制，scBRF在基因表达、基因签名和文本标签之间构建了统一语义空间。实验结果表明，scBRF……

结论
本文针对scRNA-seq数据细胞类型注释中强单向性和可解释性不足的问题，提出了一个基因签名引导的单细胞双向检索框架scBRF。该框架通过构建基因表达、基因签名和细胞类型文本的统一语义空间，实现了前向细胞类型注释和文本驱动的反向细胞检索，为单细胞数据的深入分析提供了一种新方案。实验表明……

CRediT作者贡献声明
Yongqing Zhang：撰写——初稿、方法学、资金获取、形式分析、概念设计。Zhengxiao Huang：撰写——初稿、验证、方法学、数据整理、概念设计。Tianhao Li：验证、软件、方法学。Chenpeng Wu：验证、软件、方法学。Aochen Zhang：方法学、数据整理。Ximei Luo：撰写——审阅与编辑、验证、方法学。Quan Zou：撰写——审阅与编辑、验证、资金获取。Zixuan Wang：……

利益冲突声明
作者声明不存在可能影响本文所报道工作的已知竞争性经济利益或个人关系。

致谢
本研究得到国家自然科学基金委项目（批准号：62272067、62131004）和四川科技计划项目（批准号：2026NSFSC0419）的资助。

Yongqing Zhang于2016年获得中国四川大学博士学位。现为成都信息工程大学计算机学院教授。研究方向包括机器学习和生物信息学。

Yongqing Zhang|Zhengxiao Huang|Tianhao Li|Chenpeng Wu|Aochen Zhang|Ximei Luo|Quan Zou|Zixuan Wang
成都信息工程大学计算机学院，成都 610225，中国