【文献分享】SIMBA：单细胞嵌入与特征共学习

文章介绍单细胞测序技术的迅猛发展使得研究人员能够在单细胞分辨率下同时或分别测量基因组、表观基因组、转录组和蛋白质组等多个分子层的信息。然而现有的单细胞数据分析工具大多以细胞嵌入cell embedding为核心高度依赖聚类分析缺乏显式建模不同特征类型之间交互关系的能力。更重要的是不同的单细胞分析任务如差异基因检测、批次效应校正、多组学整合等往往需要专门开发不同的算法使得分析流程碎片化、难以扩展。如何用一个统一的框架来应对单细胞数据分析中多样化的任务需求是该领域亟待解决的根本性问题。为突破这一瓶颈Huidong Chen、Jayoung Ryu及其合作者在Nature Methods上发表了题为“SIMBA: single-cell embedding along with features”的研究论文提出了一个名为SIMBA的图嵌入方法通过将单细胞及其各类特征基因、染色质可及区域、转录因子基序、DNA序列等共同嵌入到一个共享的低维潜在空间中实现了多种单细胞分析任务的统一化处理。SIMBA的核心思想是将单细胞数据分析问题重新表述为图嵌入问题。与传统方法仅将细胞作为节点不同SIMBA将细胞和所有相关特征如基因、开放染色质区域、转录因子基序、k-mer序列等均视为图中的节点将细胞-特征或特征-特征之间的关系编码为不同类型的边edge。例如在scRNA-seq中如果某个基因在某个细胞中表达则在基因节点和细胞节点之间建立一条边边的权重由表达水平决定在scATAC-seq中如果某个染色质区域在某个细胞中开放则建立细胞-峰值边峰值与转录因子基序或k-mer序列之间的边则通过序列匹配计算推断。一旦图构建完成SIMBA采用多关系图嵌入算法源自社交网络技术PyTorch-BigGraph将节点嵌入到共同的低维空间并通过Softmax变换使不同类型实体的嵌入具有可比性。在这个共享空间中细胞和特征之间的距离反映了它们之间的边概率——细胞类型特异的特征如标记基因、顺式调控元件被嵌入到相应细胞类型的邻域内而非信息性特征则被嵌入到远离任何细胞群的中间区域。SIMBA的灵活性使得它可以被应用于多种单细胞分析任务1降维与可视化——细胞和特征可共同或分别降维展示2无聚类的标记检测——通过计算每个特征到所有细胞的边概率分布的不平衡程度如基尼系数、最大得分等无需预先聚类即可识别细胞类型特异性特征3多模态分析——将scRNA-seq和scATAC-seq数据构建为包含细胞、基因、峰值、TF基序和k-mer五种节点类型的图共同学习细胞异质性和基因调控回路4批次效应校正——通过计算不同批次细胞间的共享近邻基于截断随机SVD在细胞节点间添加推断边强制不同批次的相似细胞在嵌入空间中靠近5多组学整合——将独立测序的scRNA-seq和scATAC-seq数据集通过基因活性分数桥接实现跨模态细胞整合和跨特征标记检测。研究者通过大量实验验证了SIMBA的统一性和有效性。在PBMC scRNA-seq数据中SIMBA成功将MS4A1B细胞标记、NKG7NK/CD8 T细胞标记等特征嵌入到对应细胞群附近而GAPDH等持家基因则被嵌入到所有细胞群的中央区域。在人类造血干/祖细胞scATAC-seq数据中SIMBA不仅准确区分了10种细胞类型还将GATA1基序和匹配的k-mer序列GATAAG嵌入到红系-巨核祖细胞MEP附近实现了从头基序发现。在SHARE-seq小鼠皮肤多模态数据中SIMBA正确识别了Lef1和Hoxc13等主调控因子及其靶基因。在跨批次人类胰腺数据整合中SIMBA在消除批次效应的同时保留了生物学异质性并同步完成了跨批次标记基因的鉴定。总体而言SIMBA以**“图构建 统一嵌入”**的极简范式将多个单细胞分析任务收纳于同一框架之下大幅降低了方法开发的复杂度。算法原理介绍SIMBA的算法设计围绕“多关系图构建 → 带类型约束的图嵌入 → Softmax变换与特征特异性度量”三个核心步骤展开。一多关系图构建。SIMBA将单细胞数据编码为一个有向多关系图G(V,E)G (V, E)G(V,E)其中VVV包含所有实体节点细胞、基因、峰值、TF基序、k-mer等EEE包含不同类型的关系边。边分为两类1实验测量边——如细胞-基因边基因在细胞中表达权重为离散化的表达水平、细胞-峰值边染色质区域在细胞中开放权重为12计算推断边——如峰值-TF基序边峰值序列包含该基序、峰值-k-mer边峰值序列包含该k-mer以及用于批次校正的细胞-细胞边基于截断随机SVD计算的跨批次共享近邻和用于多组学整合的跨模态细胞-细胞边基于基因活性分数的相似性。不同类型的关系可赋予不同的边权重如scATAC-seq中基序-峰值权重0.2k-mer-峰值权重0.02。二带类型约束的图嵌入。SIMBA采用PyTorch-BigGraph框架对图进行嵌入为每个节点学习D50D50D50维的嵌入向量θv\theta_vθv​。对于每条边e(u,v)e(u,v)e(u,v)计算得分seθu⋅θvs_e \theta_u \cdot \theta_vse​θu​⋅θv​并优化多类对数损失函数Le−log⁡exp⁡(se)∑e′∈Nexp⁡(se′)we\mathcal{L}_e -\log \frac{\exp(s_e)}{\sum_{e\in \mathcal{N}}\exp(s_{e})} w_eLe​−log∑e′∈N​exp(se′​)exp(se​)​we​其中N\mathcal{N}N为负采样候选边集wew_ewe​为边权重。关键创新在于类型约束——负采样时只采样与原始边类型兼容的实体如细胞-基因边只采样细胞和基因节点避免无效边如基因-基因主导训练。同时针对低数据场景引入L2正则化LregLλ∑u∈N∑dθu2\mathcal{L}_{\text{reg}} \mathcal{L} \lambda \sum_{u\in N}\sum_{d}\theta_u^2Lreg​Lλ∑u∈N​∑d​θu2​防止过拟合。三Softmax变换与特征特异性度量。由于不同类型实体细胞与特征的边分布不同嵌入后可能位于不同流形上无法直接比较。SIMBA通过Softmax变换实现可比性对于特征fff计算其到所有细胞ccc的边概率pc,fexp⁡(θc⋅θf)∑kexp⁡(θk⋅θf)p_{c,f} \frac{\exp(\theta_c \cdot \theta_f)}{\sum_{k}\exp(\theta_k \cdot \theta_f)}pc,f​∑k​exp(θk​⋅θf​)exp(θc​⋅θf​)​然后将特征嵌入重新定义为细胞嵌入的线性组合ψf∑ipci,fT−1θci∑ipci,fT\psi_f \frac{\sum_i p_{c_i,f}^{T-1} \theta_{c_i}}{\sum_i p_{c_i,f}^{T}}ψf​∑i​pci​,fT​∑i​pci​,fT−1​θci​​​温度T0.5T0.5T0.5使特征嵌入对齐到细胞嵌入空间。基于该概率分布SIMBA提供四种量化指标评估特征特异性最大得分前50个细胞的平均归一化概率、基尼系数分布偏离均匀的程度、标准差和熵信息含量。高基尼系数高最大得分意味着该特征高度细胞类型特异性可用于无聚类标记基因检测。总结SIMBA是一个基于图嵌入的单细胞数据分析统一框架通过将细胞和多种特征基因、峰值、TF基序、k-mer等共同嵌入到共享潜在空间实现了降维、无聚类标记检测、多模态分析、批次校正和多组学整合等多种任务的统一化处理。其核心创新在于将“细胞-特征”关系建模为多关系图通过带类型约束的图嵌入学习节点表示再通过Softmax变换实现不同类型实体嵌入的可比性使细胞类型特异性特征自然嵌入到对应细胞群附近。SIMBA不仅在各个任务上表现优异或可比于专用方法更关键的是提供了一个可扩展的统一范式——只需调整图结构和边类型即可适应新的单细胞测量模态和分析需求为未来单细胞多组学数据整合分析奠定了坚实基础。