scCRAFT：突破单细胞 RNA 测序数据整合困境，开启精准细胞分析新时代

《Communications Biology》：Partially characterized topology guides reliable anchor-free scRNA-integration

在单细胞 RNA 测序（scRNA-seq）中，数据批次效应整合困难。研究人员开展 scCRAFT（scRNA-seq batch Correction and Reliable Anchor-Free integration with partial Topology）研究。结果显示，scCRAFT 优于现有方法，能有效整合数据、识别稀有细胞类型。这为 scRNA-seq 数据整合提供了更可靠的方法。

　　在生命科学研究领域，单细胞 RNA 测序（scRNA-seq）技术的出现，如同为科学家们打开了一扇全新的大门，让我们得以深入细胞层面，窥探生命的微观奥秘。在过去十年间，它迅猛发展，不断改写着我们对细胞多样性和功能的认知。然而，这一技术在实际应用中却遭遇了诸多挑战。不同实验条件下产生的 scRNA-seq 数据，常常受到复杂批次效应的干扰，这些效应就像隐藏在数据中的 “噪音”，与细胞状态的异质性相互交织，严重影响了数据的质量和后续分析的准确性。比如，测序深度的差异、实验试剂的细微变化，甚至样本的组织来源和个体间的自然差异，都可能导致批次效应的产生。这使得在整合来自不同实验的数据时，难以在消除批次效应的同时，保留细胞类型特异性的生物学信号，成为了 scRNA-seq 技术进一步发展的瓶颈。

为了攻克这一难题，来自耶鲁大学（Yale University）的研究人员展开了深入探索。他们致力于开发一种更为可靠的 scRNA-seq 数据整合方法，旨在突破现有技术的局限，实现更精准的细胞分析。经过不懈努力，研究团队取得了重要成果，相关研究论文发表在《Communications Biology》杂志上。

在研究过程中，研究人员主要运用了以下关键技术方法：首先，构建了定制的变分自编码器（variational autoencoder，VAE），通过特定的网络结构和损失函数来重构观测数据；其次，引入基于多域生成对抗网络（multi-domain GAN）的域适应损失，用于减少批次间的差异；最后，设计了创新的双分辨率三元组损失（dual-resolution triplet loss），基于双分辨率聚类来保留批次内的拓扑结构。在实验数据方面，使用了多种模拟数据集和真实数据集，涵盖不同测序技术、细胞分布不平衡、嵌套批次效应以及跨物种整合等多种复杂场景。

下面来详细了解一下研究结果：

1. scCRAFT 框架概述：scCRAFT 框架主要由三部分组成。VAE 负责从潜在嵌入 z 重构观测计数矩阵，确保对原始数据的保真度。多域 GAN 损失用于域适应，降低嵌入空间中的批次差异。双分辨率三元组损失则是 scCRAFT 的核心创新点，它通过在低分辨率聚类和高分辨率聚类的指导下选择三元组，鼓励嵌入空间反映原始数据集的批次内拓扑结构，有效避免了多域 GAN 可能产生的过校正问题，在去除批次效应的同时保留了关键的生物学信号。
2. scCRAFT 在多种模拟场景和真实数据集上表现卓越：研究人员将 scCRAFT 与其他七种先进的整合方法进行对比评估。在模拟数据集上，scCRAFT 在综合得分上始终优于其他方法，在生物保存指标和批次混合指标方面也表现出色，尤其在识别稀有细胞类型的模拟实验中，能够成功将稀有细胞与其他批次的对应细胞正确配对。在真实数据集上，scCRAFT 同样取得了最高的综合得分，在生物保存和批次混合指标上的表现均优于其他方法，能够有效整合复杂的真实数据，如包含多种技术和供体差异的肺图谱数据集，以及细胞类型重叠度低的跨物种数据集。
3. 成功识别稀有细胞类型：以人类胰岛数据集为例，该数据集细胞比例不均衡，包含多种稀有细胞类型。scCRAFT 在整合该数据集时，不仅取得了最高的综合得分，还能有效识别和合并极稀有的免疫细胞类型，在识别稀有细胞类型的真阳性率上远超其他方法，表明其在处理稀有细胞群体方面具有显著优势。
4. 复杂整合跨越多种变异来源：对于包含多种技术和生物学变异的肺图谱数据集，scCRAFT 能够将细胞准确聚类为与细胞类型相符的组，大幅降低技术批次效应，在综合得分、生物保存和批次混合得分上均优于其他方法，还能区分其他方法难以区分的细胞类型，如 “Type 2” 细胞与 B 细胞等。
5. 跨物种低细胞类型重叠整合：在包含人类细胞景观（HCL）和小鼠细胞图谱（MCA）的跨物种数据集上，scCRAFT 在平均和大多数个体生物保存和批次混合得分上排名第一，尽管所有方法在该数据集上的生物保存得分相对较低，但 scCRAFT 相比其他方法，在批次混合和细胞类型区分上表现更优，证明了其在跨物种数据整合方面的潜力。
6. 大规模数据中的可扩展性和计算效率：研究人员通过测量总运行时间和峰值内存使用评估 scCRAFT 的计算性能。在不同规模的数据集上，scCRAFT 在运行时间和峰值内存使用上表现良好，总运行时间增长较为平缓，在大规模数据集上计算效率较高，适用于处理大规模 scRNA-seq 数据整合任务。

研究结论和讨论部分指出，scCRAFT 为 scRNA-seq 数据整合提供了一种计算高效且创新的框架。其独特的架构将 VAE、多域条件 GAN 和双分辨率三元组损失相结合，有效克服了基于锚点的 MNN 方法和传统 VAE 建模的局限性。双分辨率三元组损失机制与 VAE 训练方法的结合，是 scRNA-seq 数据整合技术的重大进步，避免了传统三元组损失方法依赖不可靠初始嵌入的问题，能够更好地保留生物数据的层次结构，有助于高分辨率聚类分析和细胞亚型识别。尽管研究存在一些局限性，如依赖数据源提供的细胞注释可能存在可靠性问题，以及超参数调整有待优化，但 scCRAFT 在各种技术和生物学背景下均表现出稳健的性能，显著改善了批次混合和生物保存效果，其可扩展性和计算效率使其特别适合处理大规模复杂的 scRNA-seq 数据集和图谱级单细胞研究。此外，scCRAFT 的无锚点优势为其扩展到多组学数据集提供了可能，有望在未来的单细胞和多组学数据整合领域发挥更大的作用，推动生命科学研究迈向新的高度。