《Nature Communications》:ConvexGating infers gating strategies from clusters in single cell cytometry data
编辑推荐:
人工专家设门仍是流式细胞术数据中定义特定细胞群体的常用做法,但随着测量参数数量的增加和较高的评估者间变异性,研究间的一致性受到限制。基于聚类的方法利用完整的标志物空间来更一致地定义细胞群体,但其输出无法直接在细胞分选仪上实施。在此,研究人员开发了ConvexG
人工专家设门仍是流式细胞术数据中定义特定细胞群体的常用做法,但随着测量参数数量的增加和较高的评估者间变异性,研究间的一致性受到限制。基于聚类的方法利用完整的标志物空间来更一致地定义细胞群体,但其输出无法直接在细胞分选仪上实施。在此,研究人员开发了ConvexGating,这是一种人工智能工具,旨在弥补上述差距,通过无偏、数据驱动的方式自动学习可解释的设门策略,为已知和此前未知的细胞群体生成低污染策略,包括仅以CD57-CD13-CD45RA+CD123+细胞鉴别的浆细胞样树突状细胞。研究人员证明,ConvexGating可推导CD8+亚型和脂肪祖细胞群体的分选策略,并通过分选细胞的单细胞测序进行了实验验证。研究人员还表明,该方法可有效迁移至飞行时间质谱细胞术(Cytometry by Time of Flight, CyTOF)和转录组与表位的细胞索引测序(Cellular Indexing of Transcriptomes and Epitopes by Sequencing, CITE-seq)数据,并改善细胞分选的标志物组合设计。
流式细胞术是单细胞表型分析和细胞分选的重要技术,随着机器与荧光染料技术的进步,可同时测量的标志物数量已从数十个扩展到CITE-seq中的数百个。人工设门仍是分析金标准,但耗时费力且评估者间变异性大;聚类方法虽能充分利用高维标志物空间,却无法直接转化为细胞分选仪可执行的策略。为弥合这一缺口,研究人员开发了ConvexGating,一种以数据驱动方式从聚类标签自动推导可解释分层设门策略的工具,相关成果发表在《Nature Communications》。
研究团队采用pytometry和scanpy完成数据预处理、补偿和双指数变换,并用Leiden聚类获得细胞类型注释;ConvexGating核心算法包括启发式标志物选择、随机梯度下降优化由半空间交集构成的凸门,以及凸包边界收紧,以F1分数确定最优层次。验证实验采用FLASH-seq单细胞RNA测序和索引分选,对分选细胞进行转录组身份确认;CITE-seq数据以totalVI去噪。数据来源包括健康供者全血、冻存PBMC、人骨髓CyTOF,以及COVID-19患者的CyTOF、FACS和CITE-seq样本。
结果部分包括以下主要内容。
**ConvexGating的机器学习流程模拟人工设门。** ConvexGating将目标细胞与非目标细胞区分开,在每个层次选择分离度最高的两个标志物,在二维标志物空间中通过多个半空间的交集定义凸形门,再经随机梯度下降优化和凸包收紧。该流程优先保证纯度,同时兼顾召回率,并以F1分数最高点决定设门层次。
**ConvexGating推断的设门策略与人工设门相似。** 在6标志物DC面板和3例健康人全血样本中,Leiden聚类注释与人工设门高度一致;ConvexGating推导的策略在非经典单核细胞等群体上达到高精度,例如precision为0.98、recall为0.79。
**人工设门任务存在较大评估者间差异。** 在27标志物PBMC数据中,7位操作者共提交9个设门结果,聚类注释落在人工设门变异性范围内。DC、中间/非经典单核细胞等群体标注一致性较低;ConvexGating可推断浆细胞样树突状细胞(plasmacytoid dendritic cells, pDCs)的两步策略:第一层CD57
-CD123
+,第二层CD13
-CD45RA
+。
**ConvexGating支持标志物组合优化。** 在34标志物人骨髓CyTOF数据中,ConvexGating可对宽泛和精细细胞类型生成高精度策略,稀有T细胞亚群需要更多标志物,并可绕过亲本群体直接设门。
**与Hypergate相比,ConvexGating策略在多种场景下具有更好的适用性。** 在测试集上,ConvexGating的平均F1分数优于Hypergate,且策略可直接用于分选;RBF SVM虽有更高的分类性能,但其决策边界无法转化为几何设门策略。
**ConvexGating分选的CD8
+TEMRA细胞纯度高于常规分选。** 通过FLASH-seq转录组验证,ConvexGating分选的CD8
+初始和TEMRA细胞与常规设门分选细胞的核心身份一致,且CD8
+TEMRA群体纯度更高。
**ConvexGating分选的白色脂肪组织祖细胞纯度高于常规分选。** 在脂质含量高、细胞脆性大的内脏白色脂肪组织中,ConvexGating策略分选的祖细胞亚群P2纯度优于常规设门,显示其可推广至非免疫细胞。
**ConvexGating为COVID-19严重结局相关的、此前未知的细胞群体提供设门策略。** 在COVID-19患者CyTOF数据中,ConvexGating为CD4
+和CD8
+ T细胞区室中的CD16
+T细胞簇(簇7/8、25/26)推导出替代设门策略,并提示CD16表达是活化T细胞群的重要特征。
**ConvexGating弥合数据模态间的差距。** 在CITE-seq、CyTOF和FACS数据中,ConvexGating利用重叠标志物或最小标志物组合也能识别疾病特异性CD16
+T细胞;最小面板(CD3、CD4、CD8、CD16、HLA-DR)的性能保持稳定。
讨论部分指出,聚类可降低人工设门的分层偏差,而ConvexGating在以简洁凸门保证可解释性和实际分选适用性的同时,也以一定分类性能换取可直接执行的策略。数据驱动的标志物选择有利于新细胞群体发现和面板设计,但跨模态转移可能需要人工调整。研究结论认为,ConvexGating以自动化方式推导模拟专家人工设门的设门策略,将基于机器学习的数据分析与细胞鉴定连接起来;其Python包可与现有单细胞分析框架整合,有助于促进流式和质谱细胞术数据的机器学习应用,并为生物学和医学研究中的设门与分选流程提供高效、可解释的解决方案。