单细胞海量数据整合工具-INSCT

自然机器智能6月的论文“使用三元神经网络(triplet neural networks TNN)，整合百万级单细胞多批次数据”，提出了一种能够在个人电脑上运行的工具INSCT，其可在1.5小时内，使用25G内存，整合来自不同测序平台，不是实验技术甚至不同物种的260万单细胞转录本数据。INSCT基于python语言，可与常用的分析包Scanpy无缝衔接。

关键词 神经网络 批次效应校正 单细胞转录组

INSCT 的算法框架

在单细胞数据整合中，可以特定细胞类型的数据为锚点，进行垂直整合。下图中同一细胞类型，由两种不同的平台测出的数据颜色相同，不同批次的数据形状不同。INSCT构建一个三元组，通过抽样，生成包含锚点数据，与锚点数据细胞类型相同，批次不同的正向数据，以及于锚点数据批次相同，细胞类型不同的负向数据，通过分别对三类数据进行主成分降维，对各自的PC通过神经网络，获取更低维度的嵌入。

之后最大化anchor和negative样本之间的距离，同时最小化anchor和positive样本间的距离（距离使用KNN和最大互近邻两种方式定义），以两者之和为损失函数，训练一个能够识别批次效应的神经网络（用于从各自类型PC得出嵌入）的权重。最后利用训练好的神经网络，对新数据求出最终的整合后的低维嵌入，完成数据整合。

INSCT的算法框架

2）INSCT 进行数据整合的效果

在模拟数据中，包含来自三个批次的数据，其中如果不通过校正，聚类的结果为12类，而经过INSCT校正后，只包含4类，每类对应不同细胞， b中红色的细胞，只在某一批次中出现，其也能够通过INSCT区分开，这说明了该方法能够整合多个测序平台中独立出现的细胞类型。

模拟数据下和之前的批次效应校正方法 IVIS对比

在真实数据，包含4.9万和5.6万的小鼠20个器官的单细胞数据中，如果不进行数据整合，进行聚类的结果如 的a和b所示，其中不同细胞类型的数据聚在了一起，而经过了INSCT整合，其各自平台的数据，进行聚类后的结果的结果如 c，d和e所示，其不同细胞类型能显著区分开，且不同平台的数据在聚类图上的结构是相似的。

：INSCT整合来自不同平台的数据

对比其它数据整合方法对同样的数据集进行整合后聚类的效果（），并结合图f使用KNN算法基于聚类结果预测细胞类型得出的准确率，可以看到TNN（即INSCT）其准确性高，且运行时间短（图g）。

：其它工具整合小鼠20个组织的来自两个平台的数据聚类结果

在另一个人类胰腺的，四个不同来源的数据集中，对比多种数据整合方法的结果如所示，可见INSCT在聚类上，能分清不同细胞类型，其KNN的聚类结果也是准确性很高的。多数据集的结果，证明了该方法的鲁棒性。

：人类胰腺数据整合，现有方法和TNN对比

单细胞数据整合的应用，还在于整合不同物种对的数据，结果是不同的细胞类型能够聚类后分成独立的一簇。下图将小鼠和人类的数据使用INSCT整合后，进行了聚类，并指出细胞类型对应的标志基因，在不同物种数据的聚类中，呈现相似的分布（ d）,而根据小鼠细胞类型预测人类数据的细胞类型，其准确度也很高（图e所示）

：不同物种的数据整合效果展示

为说明INSCT在海量数据集上的表现，该文进行了目前规模最大的单细胞转录组数据整合实验，对四个数据集，总计260万个细胞的数据进行整合，其结果在四个平台上都是相互有重合的，且对区分细胞类型的标志基因，也能有在四个平台之间是有重合的，这都证明了该方法对多个数据集进行了整合（ B）。将表达异质性最高的神经元细胞单独拿出来看，其结果也在多平台的嵌入可视化中呈现相近的形状（ c），论证了该方法对表达量异质性高的数据也使用。

：大数据集260万小鼠脑细胞数据集的整合

比较不同大小的数据集整合所需的时间，可以看到在海量数据集上，TNN即INSCT的耗时最短，在百万细胞时，其耗时是次长的Harmony的一半。这说明该方法可能用于未来更大量数据的整合，

：不同细胞数运行时间对比

3）INSCT用于半监督的自动细胞标注

之前的分析，假设细胞类型是未知的，而INSCT可以在知道全部数据的细胞类型注释（有监督学习），或将无数据的标签整合到有标签的参考集中（半监督学习），在引入细胞类型注释后，其聚类的准确性（Silhouette指数评价），相比无监督学习时有显著提升。在半监督学习时，同一类型的细胞聚类后分散明显，不同来源的数据会聚在同一簇（b），半监督学习下，可以避免手动对细胞类型进行标注，图c展示了该方法进行自动化细胞类型标注的准确性。

：半监督细胞类型分类

该方法还能够检测出手动数据标注时的错误，在模拟数据中，假设红色点的细胞被错误标记为绿色，经过INSCT整合，其会被标记为全新的一类（紫色），由此可指出潜在的错误标记数据，见0.

0：使用INSCT检测被错误标记的数据

4）总结

随着细胞图谱的数量和密度的增加，越来越多的研究人员将其私有的 scRNA-seq 数据投影到这些带注释的参考集中，并通过对未标记的原始数据进行稳健的集成和分类，这使得数据整合会变成单细胞分析中不可获取的一步。

INSCT是一个高效的基于深度学习的单细胞数据整合工，其能取得和当前单细胞数据整合工具相同甚至更好的效果，但所需时间更短，其还可以使用下取样策略进一步减少运行时间

通过训练网络上的一个细胞子集，然后投射到剩余的细胞到嵌入空间。

虽然我们只对 scRNA-seq 数据应用 INSCT，但原则上该方法是可以应用的，未来可测试将 INSCT的应用扩展到其他数据类型，例如甲基化或蛋白组数据。同时，该方法也原则上可以适用于空间转录组的数据整合。

该论文中的分析都基于Google Colab，软件包见https://github.com/lkmklsmn/insct，可由pip进行安装。

Ref

https://www.nature.com/articles/s42256-021-00361-8

https://www.biorxiv.org/content/10.1101/2020.05.16.100024v1.full.pdf