科学网-scContrast：基于对比学习的单细胞基因表达数据编码方法-张俊鹏的博文

scContrast：基于对比学习的单细胞基因表达数据编码方法

2025-5-8 10:51

阅读：316

scContrast：基于对比学习的单细胞基因表达数据编码方法

单细胞RNA测序（scRNA-seq）使研究人员能够在单个细胞水平上分析基因表达，从而深入了解细胞异质性、发育过程和疾病机制。典型的scRNA-seq分析首先对相似的细胞进行聚类，并确定每个聚类的关键标记基因，以绘制分化通路或揭示疾病机制。然而，由于scRNA-seq数据固有的高维度、稀疏性和批处理效应，基于完整基因表达谱对细胞进行聚类尤其具有挑战性。

现有的用于聚类scRNA-seq数据的计算方法大致可分为三类。第一类包括无监督方法，通常涉及高度可变的基因选择，然后是主成分分析（PCA）等降维方法，以获得将相似细胞聚集在一起的低维细胞水平表示。虽然这种方法对单个数据集很有效，但这些方法很难整合来自多个批次的数据，因为它们无法考虑批次效应。为了解决这些挑战，第二类方法，包括监督方法，如scVI，需要批标签将类似的表示分配给类似的细胞。然而，每次新的集成都需要对这些监督方法进行重新训练，这使得它们在计算上昂贵，对于大规模数据集来说不切实际。最近，受ChatGPT、LLAMA和SAM等大型基础模型的成功启发，研究人员开发了类似的scRNA-seq基础模型。这些基础模型是基于transformer的超大架构，在大规模数据集上训练，具有掩码语言建模（MLM）目标。虽然这些模型有望将任意的scRNA-seq数据投影到通用的嵌入空间中，但已经表明，这些模型很难有效地整合不同实验方案产生的数据。

最近，Li等人引入了scContrast（图1），这是一种半监督对比学习方法，旨在将来自不同实验方案的scRNA-seq数据嵌入到通用的细胞水平表示空间中。scContrast利用了一组简单而有效的五个增强函数，模拟了scRNA-seq检测的技术伪影、协议偏差和批处理效应特征。这些增强功能指导scContrast提取单细胞基因表达谱的生物学意义特征。

图1 scContrast管道概述。首先，给定一批样本作为基因表达矩阵，生成两个增强视图。然后，视图由一系列完全连接的层进行编码。接下来，通过另一系列完全连接的层将编码投影到更高维度的空间中。最后，投影用于对比学习目标，该目标同时保持样本之间的方差，最小化增强视图之间的MSE，并最小化投影特征之间的协方差

作者们在Tabula Muris数据集的25个组织样本中的21个样本上训练了scContrast，其中包括使用液滴和平板测序平台测序的多只供体小鼠的数据。为了模拟真正的零样本设置，在剩下的四个搁置组织上测试了scContrast。通过评估，作者们发现scContrast对看不见的组织样本具有很好的泛化能力，在整合不同测序方案的批次方面优于最先进的UCE模型。具体而言，scContrast在kBET和PCR批次融合指标上的得分分别为0.18和0.73，而UCE得分分别为0.02和0.39。因此，研究结果突出了scContrast卓越的零样本跨协议批量集成能力。然而，与UCE相比，scContrast在KMeans ARI和ASW生物保守指标上的表现略差，这表明未来有改进的机会。

参考文献

[1] Winston Li, Ghulam Murtaza, Ritambhara Singh. scContrast: A contrastive learning based approach for encoding single-cell gene expression data. bioRxiv 2025.04.07.647292; doi: https://doi.org/10.1101/2025.04.07.647292

以往推荐如下：

1. 分子生物标志物数据库MarkerDB

2. 细胞标志物数据库CellMarker 2.0

3. 细胞发育轨迹数据库CellTracer

4. 人类细胞互作数据库：CITEdb

5. EMT标记物数据库：EMTome

6. EMT基因数据库：dbEMT

7. EMT基因调控数据库：EMTRegulome

8. RNA与疾病关系数据库：RNADisease v4.0

9. RNA修饰关联的读出、擦除、写入蛋白靶标数据库：RM2Target

10. 非编码RNA与免疫关系数据库：RNA2Immune

11. 值得关注的宝藏数据库：CNCB-NGDC