自然新子刊计算科学5月20日的论文：Single-cell manifold-preserving feature selection for detecting rare cell populations，针对单细胞转录组分析，给出了一种能够同时进行特征筛选和聚类的新方法SCMER，该方法同时支持多助学数据整合，并能应对不同批次数据带来的差异。

单细胞聚类时，先进行PCA分析，这时能找到不同主成分对应的基因，即这些基因的差异导致了PCA结果中，不同细胞处在不同区域，但之后基于PCA的结果，进行非线性的进一步聚类，例如t-SNE或UMAP时，我们就无法得知是那些特征对聚类贡献最大。这之后，研究者必须基于先验知识，去找出自己关注的基因，是不是在不同分群中的表达量存在差异，再去解释其生物学意义，考虑怎么讲故事。

而SCMER，则能够在进行类似UMAP式聚类的同时，从数千个候选基因中选出数百个，然后基于这数百个基因，得出和使用全部基因表达量矩阵相近的聚类结果。而选出的那些基因，具有临床或生物学意义，能够指导下游研究。

除此之外，就是即使是同类细胞，也存在罕见的未知子类型，处在不同的状态下的同类细胞，表达量模式也存在差异。之前的聚类方法中，这类细胞通常处于两个聚类边缘的细胞，研究者对其生物学意义，往往只能忽视。如何从单细胞数据集中，找出罕见的细胞类型，是新方法的另一突破。

SCMER使用pytorch编写，可以用一行代码调用，操作简便。在一个包含了10000个细胞，2000个候选基因的数据上，使用6核的I7-8700 CPU，经过20-40次迭代，以在5-10分钟内完成基因子集筛选。该方法还可以用GPU进行加速，使时间消耗减半。

SCMER 流程图

假设输入数据只是单批次的表达量矩阵X，SCMER先对其进行PCA，然后按照流形聚类，计算细胞间的相似度矩阵P，之后基于向量w选择基因子集，使用这些特征计算细胞间相似性Q，之后用结合了L1正则和L2正则的弹性网，进行正则化，计算P和Q之间的KL距离，之后选择那些能够最小化P和Q差异的基因集w，通过多次迭代，得到那些基因对聚类贡献最大。

SCMER用于多助学研究的流程图

在结合了多个助学的信息后，SCMER能够找到对聚类贡献最大的基因所富集的通路，同时利用转录本的流形聚类结果，有监督地预测蛋白组的聚类，从而实现数据整合。

为论证SCMER能够找出位于变化过程中五个不同阶段的细胞间的差异，使用了包含180个特征（其中45个随机特征，5×20共100个阶段特异性特征，5个连续变化的特征，以及3×10共30个处在变化中的细胞才会呈现的特征）的模拟数据，可以将其想象成正常细胞到癌细胞转变过程中的五个阶段。

模拟数据上，使用相关系数，表达量差异和SCMER，能够区分出的特征，可以看到，只有SCMER，能够找出上文提到的所有特征

在来自19个人总计4645个细胞的黑色素瘤的真实数据中，使用SCMER选出的75个基因子集和使用全部6219个基因，进行UMAP聚类的聚类的结果相近，都能区分出不同类型的细胞。

黑色素瘤原始数据和筛选后数据的UMAP聚类对比

在筛选出的基因子集中，包含与一致的肿瘤抗药性及肿瘤间异质性有关的基因，还包含与不同细胞类型对应通路上的基因。这些基因的表达量在不同聚类子群中存在显著差异。这说明了其筛选的基因是有差异的。

筛选出的基因的表达量设色热图

针对黑色素癌，已知一些基因能够预测患者的死亡率，如下图所示，而这些基因能被SCMER找出，说明了该方法能找出具有生物学意义的基因子集

表达差异对患者存活率的生存率对比图

类似的，针对克罗恩病患者的39563个小肠免疫细胞以及6915个处在不同阶段的人骨髓细胞，进行基因子集提取，可以发现其聚类和使用全部特征的聚类呈现相似性。

肠道免疫细胞原始数据和筛选后数据的UMAP聚类对比

骨髓细胞原始数据和筛选后数据的UMAP聚类对比

该研究还对比了处在不同状态下的细胞，下图展示了1429个腺癌细胞，在经过地塞米松处理0小时，1小时和3小时后的的表达量情况，可发现经过SCMER提取的80个基因子集进行聚类，其结果也是类似的

处在不同状态的腺癌细胞原始数据和筛选后数据的UMAP聚类对比

总结来看，SCMER可以在不依赖聚类方法的前提下，找出单细胞转录组数据中有生物学意义的基因集，为设计潜在的临床应用，协助富集通路分析，指导蛋白组数据分析提供帮助。此外，SCMER 亦可处理批次效应，先在各自批次找出对聚类贡献大的基因集合，在各自的批次中保留重复出现基因子集。在这种方式下，它将优先考虑有助于生物学而不是技术差异的基因。

对于空间转录组的分析，SCMER除了可以减少聚类分析所需的计算资源（使用更少的特征，从而可以处理更多细胞，提高分辨率），还能够找出与空间表达模式相关的基因集合，并通过重复分析，说明这些基因在空间的表达量差异不是由于实验差异造成的。