《Nature Communications》：Fast, flexible analysis of differences in cellular composition with crumblr
编辑推荐：
细胞类型组成的变化在人类健康和疾病中发挥重要作用。近期单细胞技术的进展使得在大规模人群中以更高的细胞谱系分辨率测量细胞类型组成成为可能。然而，这给识别细胞类型频率变化的组成性数据的统计分析带来了新的挑战。研究人员引入了crumblr（DiseaseNeurog
细胞类型组成的变化在人类健康和疾病中发挥重要作用。近期单细胞技术的进展使得在大规模人群中以更高的细胞谱系分辨率测量细胞类型组成成为可能。然而，这给识别细胞类型频率变化的组成性数据的统计分析带来了新的挑战。研究人员引入了crumblr（DiseaseNeurogenomics.github.io/crumblr），一种可扩展的统计方法，用于分析计数比率数据，采用精度加权线性混合模型，并纳入随机效应以处理复杂研究设计。独特的是，crumblr利用多变量方法在细胞谱系层次的多个水平上进行统计检验，以增强相对于单细胞类型检验的统计功效。在模拟研究中，crumblr在控制假阳性率的同时，相比现有方法提高了统计功效。研究人员将crumblr应用于已发表的单细胞RNA-seq数据集，涵盖衰老、结核病感染中的T细胞、前列腺癌骨转移以及SARS-CoV-2感染。
**论文解读：crumblr——细胞组成差异分析的快速灵活新工具**
**研究背景与问题**
组织由多种细胞类型构成，其比例变化与人类健康和疾病密切相关。单细胞技术的迅猛发展使得在数百个样本中测量数百万个单细胞的基因表达谱成为可能，从而推动了细胞类型组成研究向更高分辨率迈进。然而，随着数据集规模扩大、研究设计日趋复杂，以及低频细胞类型被纳入分析，现有的统计工具面临显著挑战。传统的细胞组成分析方法主要分为两类：一是基于细胞比例（fraction）的回归模型，如对比例进行log、logit、arcsin-sqrt或中心对数比（CLR）变换后拟合线性模型，这类方法计算快速但忽略了比例测量精度随计数深度和细胞频率变化的信息，导致统计功效降低；二是直接对计数数据建模，如泊松、负二项模型或层次贝叶斯模型scCODA，但此类方法或难以控制假阳性率，或计算成本高昂，或不易整合进下游分析流程。因此，亟需一种既能建模测量精度、支持复杂研究设计（如随机效应），又能进行多层次假设检验且具备可扩展性的统计方法。
**研究内容与结论**
针对上述需求，研究人员开发了crumblr（count ratio uncertainty modeling based linear regression，基于计数比率不确定性建模的线性回归）框架。该框架从细胞簇计数出发，通过CLR变换将组成数据转化为适合回归分析的形式，并利用Dirichlet-multinomial分布的渐近正态近似估计变换后比例的抽样方差，进而以反方差作为精度权重进行加权回归。crumblr支持线性混合模型以纳入随机效应，并采用经验贝叶斯收缩提升检验稳定性。更关键的是，它通过多元方法（基于Lin-Sullivan检验的扩展）在细胞谱系层次树内部节点进行假设检验，从而在多个分辨率水平上联合检测细胞组成变化。模拟研究表明，与12种现有方法相比，crumblr在广泛条件下具有最高的统计功效，同时能严格控制假阳性率；其计算速度快，可扩展至大规模数据集。将crumblr应用于四个已发表的单细胞转录组数据集，分别识别出衰老过程中外周血单个核细胞（PBMC）中naive CD8+ αβ T细胞等频率的显著变化；结核分枝杆菌感染后CD4+ Th1/Th17细胞群的下降；前列腺癌骨转移中单核细胞减少及周细胞、成骨细胞和内皮细胞增加；以及SARS-CoV-2感染中cycling classical monocytes随疾病严重度升高等生物学意义明确的结果，验证了该方法的实用性和有效性。论文发表于《Nature Communications》。
**主要技术方法**
研究人员使用了以下关键技术方法：（1）对细胞簇计数进行CLR变换，满足尺度不变性和正态近似条件；（2）基于Dirichlet-multinomial分布推导CLR变换后比例的渐近抽样方差公式（delta方法），以此构建精度权重；（3）使用加权线性混合模型（可含随机效应）进行单变量检验，并通过经验贝叶斯调节t统计量；（4）针对层次树内部节点，采用固定效应meta分析并扩展Lin-Sullivan检验（结合经验零分布）进行多元假设检验。样本队列来源包括：OneK1K队列（982名供者的PBMC）、结核病研究队列（259名供者的T细胞）、前列腺癌骨转移队列（9例患者肿瘤、受累骨髓、远端骨髓及7例非癌症供者良性骨髓）、COMBAT联盟队列（121名供者，含COVID-19、脓毒症和流感患者及健康对照）。
**研究结果**
**crumblr工作流程**
crumblr框架从细胞簇计数矩阵开始，将数据转换为CLR变换后的比例，并计算每个样本的抽样方差作为精度权重。随后可进行方差分解分析、基于线性混合模型的差异组成检验，以及沿细胞层次树的多元检验。模拟证实其近似方差公式在不同计数深度和比例范围内均表现良好，且精度加权回归相比未加权方法能更准确地估计效应值。
**模拟数据性能**
在10,000次模拟中，crumblr与负二项模型在精确率-召回率曲线下面积（AUPR）上表现最优，而crumblr在广泛条件下（如样本量从20到200、细胞簇数从7到20、总计数从100到4000等）均能控制假阳性率，优于其他不建模测量精度或过度离散的方法。针对多元检验，研究人员比较了?idák法、Fisher法、Cauchy结合检验、调和均值P值等方法，发现基于Lin-Sullivan固定效应meta分析并经验零分布校正的扩展方法具有最高功效且能控制假阳性率，尤其在小样本情况下表现稳健。
**与年龄相关的PBMC组成变化**
利用OneK1K队列982名供者的120万PBMC单细胞数据，方差分解分析显示年龄解释了naive CD8+ αβ T细胞频率变异的35.9%。单变量分析发现，随着衰老，CD8+ αβ T细胞和黏膜相关恒定T细胞（MAIT）频率显著下降，另有十个细胞群显著上升。层次聚类与多元检验揭示了随年龄广泛发生的免疫细胞频率改变。轨迹分析表明，若忽略测量精度变化，会错误拟合出70岁后加速下降的非线性趋势，而crumblr支持线性趋势，凸显了建模测量误差的重要性。
**结核分枝杆菌感染后的CD4+ Th1和Th17细胞减少**
在259名供者（其中128名进展为活动性结核）的T细胞单细胞数据中，crumblr分析识别出与原始研究相同的CD4+ Th17细胞频率下降（β=?0.226，P=3.73e-6），同时新发现三个Th1/Th17细胞簇在结核进展者中也呈显著下降，而CD4+细胞毒性T细胞频率增加。层次聚类将这四个Th1/Th17细胞簇归为同一父节点，多元检验显示该父节点在活动性结核后频率显著下降（β=?0.152，P=3.04e-6），说明这些细胞簇的联合变化具有生物学一致性。
**前列腺癌骨转移中的细胞组成变化**
对9例前列腺癌骨转移患者的肿瘤、受累骨髓、远端骨髓及7例非癌症供者良性骨髓样本进行分析，单变量检验发现实体瘤与受累骨髓之间存在10个细胞类型的显著差异：单核细胞亚群频率下降，而周细胞、成骨细胞和内皮细胞频率上升。多元检验进一步支持单核细胞父节点显著下降（β=?1.10，P=9.28e-4），以及周细胞/成骨细胞/内皮细胞父节点显著上升（β=2.74，P=9.15e-4），与肿瘤血管化和微环境重塑的预期一致。
**感染应答相关的组成变化**
COMBAT联盟的121名供者、787K细胞数据中，疾病状态解释了18个细胞簇超过10%的频率变异。比较重症COVID-19患者与健康对照，发现六个细胞簇显著下降（MAIT、浆细胞样树突状细胞、不变自然杀伤T细胞等），八个细胞簇显著上升（浆母细胞、血小板、cycling classical monocytes等）。cycling classical monocytes的频率在非住院患者中与健康对照相同，但随住院患者疾病严重度增加而上升，直至与脓毒症患者相当，提示该细胞群可作为感染严重程度的生物标志物。
**讨论与结论**
讨论部分强调，crumblr通过建模计数比率的测量精度，解决了现有方法在统计功效和假阳性率控制上的不足。在模拟和四组真实数据中，crumblr均能有效识别已知的生物学变化，并发现了此前被忽略的细胞类型频率改变。其开放源码的R/Bioconductor包可无缝整合到现有工作流中。研究结论指出，测量精度随细胞频率和总细胞数增加而提高，而建模这种异方差性对于细胞组成差异分析至关重要；crumblr为大规模单细胞数据的组成分析提供了一种快速、灵活且可靠的解决方案，有望广泛应用于疾病机制研究和生物标志物发现。
