《Nature Methods》scNET：整合单细胞基因表达数据与蛋白质相互作用，解锁细胞奥秘

　　

在生命科学的微观世界里，单细胞 RNA 测序（scRNA-seq）技术无疑是一项重大突破。它就像一台超级显微镜，让科学家们能够深入到细胞内部，以前所未有的视角观察各种组织的异质性，探索细胞的奥秘。然而，这项技术并非十全十美。基因表达数据常常难以捕捉和识别细胞通路及复合物的变化，毕竟这些变化在蛋白质层面才更加明显。而且，scRNA-seq 数据还存在高噪声水平和零膨胀等问题，就像迷雾一样，阻碍着科研人员对细胞真实情况的判断。

为了驱散这些迷雾，来自以色列特拉维夫大学（Tel Aviv University）的研究人员展开了一项极具意义的研究。他们致力于开发一种创新方法，试图突破 scRNA-seq 数据的局限，更深入地了解细胞的运作机制。最终，他们的研究成果发表在《Nature Methods》杂志上，为该领域带来了新的曙光。

在这项研究中，研究人员主要运用了图神经网络（Graph Neural Networks）技术，将 scRNA-seq 数据集与蛋白质 - 蛋白质相互作用（PPI）网络巧妙地整合在一起。他们通过对多个公开的 scRNA-seq 数据集进行分析，包括人类疟疾相关 B 细胞、小鼠视觉皮层、人类细胞系等多种类型的数据，来验证自己的方法。

下面来详细看看他们的研究结果：

• scNET 基因嵌入更好地捕获功能注释：研究人员通过计算基因本体（Gene Ontology，GO）语义相似性值和共嵌入系数，评估了 scNET 获得的嵌入空间的效用。结果发现，scNET 嵌入空间的平均相关性更高，在聚类分析中，能更有效地捕获功能注释，其捕获的基因簇更小、定义更明确。此外，用 scNET 基因嵌入训练的多层感知器分类器，在预测 GO 注释方面表现出色，这表明 scNET 基因嵌入能更好地捕获功能信息。

• scNET 共嵌入网络捕获生物通路：研究人员利用学习到的表示构建了共嵌入网络，该网络整合了 PPI 和共表达信息。通过对疟疾相关 B 细胞数据集的分析，发现基于 scNET 嵌入空间的网络比原始空间的网络模块化程度更高。在重建京都基因与基因组百科全书（KEGG）通路方面，scNET 也优于以往方法。在对不同疾病相关基因列表的重建中，scNET 共嵌入网络同样表现出色，在多种白血病和淋巴瘤相关基因列表的测试中，scNET 在多数情况下优于其他网络，展现出了良好的性能。

• 评估细胞聚类：研究人员使用来自 Usoskin 等人和 Tian 等人的数据集，评估了 scNET 细化细胞 - 细胞相似性的能力。在这些数据集的分析中，scNET 在细胞聚类方面表现优异，其调整兰德指数（ARI）在两个数据集中均达到最高。例如，在 Usoskin 数据集和癌细胞系数据集中，scNET 能够更好地分离不同细胞类型，相比其他方法，其对细胞状态的区分更准确。

• scNET 减少零膨胀并改善通路分析：研究人员假设 scNET 重建的基因表达不仅能准确反映原始基因表达谱，还能整合 PPI 网络的信息。通过对 GL261a 小鼠脑肿瘤模型数据集的分析，验证了这一假设。scNET 重建的基因表达能准确捕获不同细胞群体的独特表达动态，在减少零膨胀和准确表达标记基因方面表现出色，其 AUPR 得分在各细胞类型中均较高。在差异基因表达分析中，scNET 重建的数据能更好地捕获不同细胞群体之间的差异通路，例如在 T 细胞、巨噬细胞、小胶质细胞和癌细胞等细胞群体中，都能准确反映出与各群体相关的通路。

研究结论和讨论部分再次强调了 scNET 的重要意义。scNET 通过整合 scRNA-seq 数据与 PPI 网络，为研究细胞通路和复合物在不同生物条件下的激活情况提供了更有效的工具。它能够揭示传统分析方法难以发现的生物学信息，例如在胶质母细胞瘤（GBM）肿瘤微环境中，scNET 能够发现 P - 选择素抑制治疗后独特的通路激活情况，这对于理解治疗的功能影响至关重要。不过，研究人员也指出，虽然 PPI 网络包含了重要的基因相互作用信息，但它并未涵盖转录因子等间接介导的关键调控事件，未来将这些信息整合到现有框架中可能会进一步提升 scNET 的性能。同时，scNET 构建更精细细胞 - 细胞相似性图的方法，也为单细胞 RNA 测序数据的分析开辟了新的道路。总的来说，scNET 的出现为单细胞基因组学研究带来了新的突破，有望推动该领域的进一步发展。