《Advanced Science》：A Real-Data-Driven Framework for Evaluating Differential Transcript Usage Methods Across Long-Read Bulk, Single-Cell, and Spatial Transcriptomics
编辑推荐：
差异转录本使用（differential transcript usage, DTU）分析揭示选择性剪接中的转录本水平调控。随着长读长测序在Bulk、单细胞和空间转录组学中的快速应用，在真实生物学条件下对DTU方法进行可靠评估变得至关重要。当前的评估框架主要依
差异转录本使用（differential transcript usage, DTU）分析揭示选择性剪接中的转录本水平调控。随着长读长测序在Bulk、单细胞和空间转录组学中的快速应用，在真实生物学条件下对DTU方法进行可靠评估变得至关重要。当前的评估框架主要依赖模拟数据，这可能会引入偏差，且无法反映真实的调控机制。研究人员构建了一个基于真实数据的评估框架，用于在长读长Bulk、单细胞和空间转录组学中评估DTU方法。该框架包含两个关键组成部分：首先，利用RNA结合蛋白（RNA-binding protein, RBP）敲除或敲降RNA-seq数据及经实验验证的RBP-转录本相互作用，定义了一个具有生物学基础的参考转录本集合；其次，引入了一种DTU特异性的评估指标，即转录本集合富集分数（transcript set enrichment score, TSES），用于量化方法在排序结果中优先识别参考转录本的效力。研究人员使用多个真实RNA-seq数据集对该框架的可靠性、无偏性、稳定性、有效性及稳健性进行了系统验证。在此验证支持下，研究人员对十种代表性DTU方法在长读长和短读长数据中进行了评估，揭示了不同数据类型间的性能差异。除了评估DTU方法外，该框架还进一步扩展用于预测转录本水平的RBP活性，比基于基因水平的差异表达策略更一致地恢复了受干扰的RBP。综上，本研究为DTU方法评估建立了具有生物学可解释性和数据驱动的标准化框架。
本研究建立了一个基于真实数据的差异转录本使用（differential transcript usage, DTU）方法评估框架，旨在解决现有评估体系过度依赖模拟数据、缺乏真实生物学参考标准的关键问题。
### 研究背景与问题
差异转录本使用分析是揭示转录本水平调控和可变剪接机制的核心方法。然而，当前DTU方法评估研究存在三大局限：第一，绝大多数评估使用模拟数据，其基于人为设定的分布假设，无法捕捉真实组织中转录本调控的完整生物学复杂性，评估结果往往偏向模拟假设；第二，现有评估指标（如精确率、召回率、F1分数等）源自分类任务设计，仅能判断方法是否“命中”参考转录本集，而无法反映DTU分析所关注的方法对参考转录本集的优先排序能力；第三，不同DTU方法在相同数据集上的结果重叠度极低（成对Jaccard指数中位数普遍低于0.1），而错误发现率（false discovery rate, FDR）分析表明，假阳性发现并不能完全解释这种低重叠性，方法间存在真实且实质性的性能差异。
### 研究内容与结论
针对上述问题，研究人员构建了一个基于真实生物学DTU评估的框架，包含两个核心创新：一是参考转录本集的构建，通过整合RBP基因敲除/敲降（knockout/knockdown, KO/KD）实验中的转录本表达数据与已验证的RBP-转录本调控关系，结合多种DTU方法的共识结果，构建了受生物学与方法学双重证据支持的参考转录本集；二是设计了一种DTU特定评估指标——转录本集富集分数（transcript set enrichment score, TSES），从优先排序视角评估DTU方法在排列结果中富集参考转录本的能力。通过对该框架的系统性验证，研究人员确认了参考转录本集的可靠性以及TSES指标的无偏性、稳定性和有效性。应用该框架对十种代表性DTU方法进行多方面评估发现，DTU方法的性能存在明确的数据类型依赖性轻重差异：至少性在Bulk RNA-seq中表现最优，而DRIMSeq和DTUrtle在长读长单细胞及长读长空间转录组数据中表现更佳，反映了剪接注释方法在不同数据稀疏性和噪声特征下的适应差异。进一步扩展性分析表明，该框架可延伸用于转录本水平RBP活性预测，并成功在多项真实数据集上实现更一致、更准确的扰RBP回运。
### 研究所用的关键技术与方法
本研究依托多个公开真实样本队列构建评估：短读长Bulk数据源于ENCODE项目、长读长Bulk数据源于ENCODE项目、长读长单细胞数据源于GSE154868、GSE154869和GSE154870，长读长空间转录组数据源于GSE153859，共374对构成主要分析集，另从GEO数据库提取包括MATR3、RBM5、PCBP1、TRA2A四个独立RBP KO数据集作为外验证。技术水平上，结合了RBP通道结合的共调节、based剪接因子网络的关联分析（泛性线性模型），并借助Bootstrap、随机置换等统计特性对TSES指标参数以既有SL辅助综合评估。
### 主要研究结果
**2.1 DTU方法在跨数据类型的Top排名转录本中表现出有限一致性**
通过分析十种DTU方法在四个数据类型（短读长Bulk、长读长Bulk、长读长单细胞、长读长空间）中的两两Jaccard指数，发现方法间重叠度极低（top 10转录本中位Jaccard指数在0-0.05之间，top 500转录本也仅为0.24左右）。经验FDR分析显示，除RATs（平均FDR=72.13%）外，其余九种方法的平均经验FDR均分布在5%以下，表明方法间的分歧在很大程度上来源于FDR的差异占主导，主要源于统计建模和转录本优先级别策略的方法学差异。
**2.2 真实数据驱动的DTU评估框架总览**
框架包括三个组分：（A）数据集与DTU方法的收集整合：（B）基于真实生物学数据的参考转录本集构建，结合方法共识找到常见转录本集，结合RBP结合的调控关系鉴定调控转录本集，其交集为参考转录本集（overlapped transcript set）；（C）基础DTU专项化评估指标TSES，通过富集分析评估参考集合在P值排序法列表中的积累，通过随机置换实现归一化。
**2.3 参考转录本集合反映RBP敲除数据中真实的转录本使用变化与RBP结合信号**
该分析对三类集合（调控集、常见集、重叠集）的生物学可靠性进行定量验证。单侧t检验与Wilcoxon秩和检验结果表明，在三类集合内的转录本在两条件间体现出显著更高的表达比例倍数变化（调控集：64/74数据集通过t检验且全通过秩和检验；常见集与重叠集：全部通过两种检验）和更强的RBP结合信号双重支持。效应量分析进一步揭示，重叠集的表达效应量为（0.8708）介于调控集（0.1136）和常见集（1.0537）之间。
而RBP结合信号效应量（2.7847）显著高于常见集（1.3446），接近调控集（3.0292）的水平，表明重叠集在兼得二者优势方面诸位中间最佳特征。交叉验证、独立GEO验证及leave-one-method-out分析均证实了该集合的稳健和生物学显著性。
**2.4 TSES提供无偏、稳定、有效的DTU评价指标**
研究人员从无偏性（unbiasedness）、稳定性（stability）和有效性（effectiveness）三个维度对TSES与Jaccard、precision-recall曲线下面积（AUPRC）和受试者工作特征曲线下面积（AUROC）等经典指标进行综合比对。在所有参考转录本集组合中，TSES在三个维度均取得最高分数，其中重叠集+TSES组合的整体性能最优（RBP KO/KD数据中整体得分为0.962，非KO/KD数据为0.927），证明了该评价指标的准确性。
**2.5 不同DTU方法是Bulk、单细胞和空间数据的比较性能研究**
基于TSES评估框架，对十种DTU方法进行了系统评估。饱和一代（satuRn）在短读长Bulk与长读长Bulk数据中均表现最优，短读长Bulk中limma-diffSplice居第二，长读长Bulk中SPIT位列第二。在长读长单细胞和长读长空间数据中，DRIMSeq、DTUrtle和edgeR-diffSplice表现优异。这些结果在LOMO分析中保持一致，提供了跨数据类型的明确方法选择指南。
**2.6 评估框架的稳健性验证**
系统运行了六类稳健性分析：比较表达调控模型（广义线性模型与线性判别分析均无显著差异，Spearman相关性r > 0.87）；TSES参数α在0.5-2范围表现出稳定性，默认设置为α=1；在LOMO（leave-one-method-out）分析中方法排名与原始结果高度一致（Spearman相关性r > 0.92）；以共同转录本阈值在3-7范围内变动时结果保持稳定；使用不同定量工具（Kallisto、Salmon、Bambu、Isoquant）及改变“扩展性”和“minSample”过滤阈值均未见性能逆转；在3 vs 3及5 vs 5的样本规模下评估仍适用。这些结果共同表明，框架的解释具有高度可比性和稳健性结论。
**2.7 构建延伸框架预测转录组水平的RBP活性**
通过将推荐的DTU方法（Bulk使用satuRn，单细胞/空间使用DRIMSeq）与RBP特异性的重叠转录组集合及TSES指标结合，实现了转录本水平的RBP活性预测。在74个ENCODE RBP KO/KD数据中及4个独立GEO验证中，推荐的DTU+TSES策略能在全部（74/74）中鉴定目标RBP为第一名，并在4个独立验证数据中将目标RBP全部预测在前三位，稳定性优于已验证的DTE+TSES（edgeP）为74分
68个验证数据集、limma 68/74、DESeq2 40/74、edgeR-Scaled 66/74）和基因水平DGE策略（edgeR 62/74、limma 59/74、DESeq2 57/74）。
### 讨论与现实
讨论部分指出，satuRn的优势源于其准二项广义线性实验模型直接在转录本比例上建模及经验贝叶斯启发保证了小样本下的可靠方差估计；而DRIMSeq与DTIRSeq的Dirichlet-multinomial模型更契合集成稀疏且高变异的性能数据特征。研究同时强调，在短读长RNA-seq数据分析中读段-转录本本模糊性（read-to-transcript ambiguity, RTA）仍对FDR控制构成重要挑战，并对通数据集的LOMO分析在评估中的直接嵌套含义——尽管LOMO有效地消除了单个方法的直接自我引导，但保留了其余9种方法之间的个别共识依赖性在研究允许内予以避免。此外，RBP的KO/KD数量是所有公开资源的主要限制因素，尤其是长读长RBP KO/KD数据库的缺失限制了进一步泛化。比较研究的核心结论可判定为：该研究确立了一个可解释基于真实数据的标准DTU评估框架，证明了不同数据类型需要针对性选择方法，并将框架成功扩展至提供个性化的基于转录本层面的RBP活动预测应用，为复杂生物系统转录本层面解读提供了可靠工具。
