编辑推荐：
单细胞 Hi-C（scHi-C）数据因高稀疏性（含结构零和缺失值）影响下游分析。本研究开发 scHiCSRS 方法，结合自表示平滑与高斯混合模型，实现结构零识别与缺失值插补。模拟和实验显示其性能优于传统方法，为解析细胞异质性提供新工具。
研究背景与科学问题
染色体在细胞核内的三维（3D）空间组织并非随机，其动态变化与基因组功能、疾病机制密切相关。Hi-C 技术作为一种高通量测序手段，能够在全基因组范围内解析染色体的 3D 结构，已被广泛应用于各类细胞的研究。然而，传统 Hi-C 技术基于群体细胞分析，难以捕捉单细胞水平的异质性。单细胞 Hi-C（scHi-C）技术的出现，为研究细胞间差异提供了可能，但该技术面临严重的数据稀疏问题 —— 观测到的零值（observed zeros）包含两类截然不同的生物学事件：一类是因生物学机制导致的 “结构零”（structural zeros，即两个基因座从未发生相互作用）；另一类是因测序深度不足导致的 “缺失值”（dropouts，又称采样零，sampling zeros，即实际存在相互作用但未被检测到）。
准确区分这两类零值对下游分析至关重要。例如，在细胞聚类、3D 结构推断等任务中，错误地将结构零视为缺失值进行插补，可能掩盖真实的生物学差异；反之，将缺失值误判为结构零，则会导致信息丢失。尽管已有研究尝试改善 scHi-C 数据质量，但多数方法未考虑空间相关性（如 Hi-C 数据的基因组邻域依赖性），也未明确区分结构零与缺失值，限制了其在单细胞异质性解析中的应用。
为解决上述问题，美国俄亥俄州立大学（The Ohio State University）的研究团队开展了相关研究，开发了一种名为 scHiCSRS 的新方法，并将成果发表在《BMC Bioinformatics》。该方法通过整合空间依赖性和相似细胞信息，实现了结构零的高精度识别和缺失值的准确插补，为单细胞 Hi-C 数据分析提供了重要工具。
关键技术方法
研究团队主要采用以下技术方法：
- 自表示平滑模型（Self-Representation Smoothing Model）：结合基因组邻域（2D 矩阵邻域）和相似细胞的信息，通过惩罚最小二乘法估计权重矩阵，实现对 scHi-C 矩阵的平滑处理和缺失值插补。
- 高斯混合模型（Gaussian Mixture Model）：对平滑后的数据进行建模，通过期望最大化（EM）算法估计参数，基于贝叶斯信息准则（BIC）选择最优组件数，实现结构零与缺失值的概率分类。
- 模拟数据生成与实验验证：利用 SIMBA3D 生成模拟 scHi-C 数据，包含三种细胞类型（I、II、III）和不同测序深度（2k、4k、7k）；同时分析三个公开实验数据集（GSE117874、GSE80006、scm3C-seq），验证方法在真实数据中的性能。
研究结果
1. 模拟研究：scHiCSRS 的高精度识别与插补能力
通过模拟数据验证，scHiCSRS 在结构零识别中表现出高灵敏度（power 近 0.9 或更高）和特异性。例如，在不同测序深度（2k 至 7k）和细胞数量（10 至 100 个）的场景下，其受试者工作特征曲线下面积（AUC）均≥0.85，显著优于传统方法（如均值滤波 MF、高斯核平滑 GK、随机游走 RW 等）。在缺失值插补方面，scHiCSRS 的预测值与真实值的相关性最高，绝对误差最小，且通过热图可视化显示其能准确恢复染色质互作的真实结构（如拓扑相关结构域 TAD 边界）。
2. 实验数据分析：提升下游聚类性能
在三个实验数据集的分析中，scHiCSRS 显著改善了细胞聚类效果：
- GSE117874（GM vs. PBMC）：基于 scHiCSRS 增强数据的聚类错误率从 8 例降至 5 例，调整兰德指数（ARI）提升，且 imputed 值与观测非零值的相关性更高。
- GSE80006（K562A vs. K562B）：成功纠正 1 例误分类细胞，实现完美聚类（ARI=1.0），而传统方法未能改善结果。
- scm3C-seq（L4 vs. L5 神经元）：scHiCSRS 将混合聚类结果转化为高纯度聚类（ARI>0.9），而其他方法几乎无改进。
3. 生物学意义验证：结构零与染色质特征的关联
通过分析 GM 细胞的结构零，发现其主要分布于非活性 B 区室（compartment）和不同拓扑相关结构域（TAD）之间，符合生物学预期。这表明 scHiCSRS 识别的结构零具有生物学合理性，可用于解析染色质组织的功能分区。
结论与讨论
scHiCSRS 通过自表示平滑模型整合空间邻域和相似细胞信息，并利用高斯混合模型区分结构零与缺失值，为 scHi-C 数据提供了一种高效的数据增强方法。其核心优势包括：
- 高鲁棒性：在不同测序深度和细胞数量下均表现稳定，适应性优于依赖固定阈值的传统方法。
- 生物学可解释性：识别的结构零与染色质区室、TAD 等功能结构高度相关，为解析单细胞异质性提供了新维度。
- 下游分析兼容性：显著提升细胞聚类等下游分析的准确性，尤其在复杂细胞类型（如神经元亚型）的区分中表现突出。
尽管 scHiCSRS 在计算效率和大规模数据处理上仍有改进空间（如内存需求较高），但其通过信息整合和自适应建模，为单细胞 Hi-C 数据分析提供了新范式。该方法不仅推动了单细胞基因组学技术的发展，也为揭示细胞间差异的分子机制、疾病相关的染色质结构变异等研究奠定了基础。未来，结合更多生物学特征（如表观基因组数据）的扩展模型，有望进一步提升其在精准医学中的应用潜力。
