​大家好，今天分享一篇近期发表在Cell Report Method（IF: 8.8）的文章，该文章主要展示了名为inClust的单细胞转录组数据集合与迁移新方法，可在有监督，半监督，无监督三种模式下灵活地进行数据集成、分解、查询等多项任务。作者是来自浙江树兰国际医学院的王令飞。

论文题目：A deep generative framework with embedded vector arithmetic and classifier for sample generation, label transfer, and clustering of single-cell data

论文地址：https://www.cell.com/cell-reports-methods/pdf/S2667-2375(23)00202-3.pdf

相关工具链接：https://github.com/wanglf19/inClust

背景

随着单细胞数据的快速增加，如何集成多批次多平台多样本来源的数据，成为发好文章必须解决的问题。不同批次、不同实验条件以及不同测序技术的数据，会由于实验自身的差异导致将不同类型的数据汇集使用时，呈现的模式并非对应样本自身的特征，而反映了不同样本来源的信息，如的聚类结果所示，其中每个点代表一个细胞，b中的颜色代表细胞类型，其中不同颜色对应细胞类型，然而相同类型的细胞并没有被聚在一起，与之对应的，在c中，不同批次的数据聚类后明显地聚成一簇，在此基础上进行数据分析，会导致下游结果错误。因此需要有生信工具，将数据整合。

：未进行数据整合前的多批次单细胞转录组聚类情况

作为一种灵活鲁棒的生成模型，inClust可在有监督、半监督及非监督三种模式下运行，且表现优于多种现有方法。当所有数据来源的细胞都有细胞类型标签时，inClust可将数据整合，并生成于原数据分布不同的模拟数据（b）；当部分数据包含有标签时，inClust可以半监督的模式运行（c），根据有标注数据进行标签迁移，预测未标注细胞的细胞类型；而在所有数据都没有标签时，inClust的无监督模式可对数据进行整合及聚类。

：inClust三种运行模式的示意图

结果

inClust三种运行模式的结果展示

对比聚类前后的UMAP聚类情况，整合前不同聚类间大多包含了多个批次，整合后同类细胞聚在一起，很少混杂且分的更开。这可从直观上说明inClust性能优异。而与现有同类主流72种算法的对比（），可以看到inClust的总得分排第一。

inClust在标准数据集上与多种现有方法的对比。

：Inclust在有监督模式中，预测基因环境互作的影响

通过将受环境影响与否当成协变量交由inClust预测不同环境或调控机制中的差异表达基因，inClust可以准确地表示数据整合后的每个协变量对表达谱的影响，见。例如当CBL和CNML基因之间的互作（a）；ETS2和DUP9之间的上位效应（b）；MAP2K3和MAP2K6之间的冗余互作（c），以及MAPK1和PRTG之间的抑制作用（d）。图e-g展示了与现有方法GAP在预测准确性上的对比。

：inClust在半监督模式下的标签迁移

a为半监督模式下的流程图。b为整合前有标签数据集与两个无标签数据集聚类的情况，经过数据整合后，同一个聚类包含多来源数据（c），经过有指导的聚类后，得到d与e，分别对应有标签与无标签的细胞，其中无法聚类的点很稀疏，说明大部分待标注的数据能被标注；而g展示了预测结果和正确标签的差异，说明inClust预测准确率很高.

在半监督模式下，inClust可通过无监督聚类识别查询数据集中潜在的新细胞类型。与人类心脏数据集和 ccRCC 数据集的对比表明，inClust 可以捕获在正常与疾病条件下表达谱存在差异的新的细胞细胞类型。可在邻近正常组织样本和肿瘤组织样本之间转移标签，识别肿瘤组织中的转移性肿瘤细胞。

通常空间上相邻的细胞，属于相同的细胞类型。因此经过处理及细胞类型标注的空间转录组数据，会有清晰的边界。inClust 可将空间坐标作为协变量，对空间转录组数据进行聚类（a），相比d使用 k-means 聚类的结果，inClust的聚类更清晰（c），评分也更高（e），这说明了 inClust 可在无监督的模式下对空间转录组进行聚类。

：InClust在无监督模式下，对小脑的空间转录组数据进行聚类

小结

一个细胞的表达谱受到多个协变量的影响，或者是生物的（例如条件、刺激物) ，或者是非生物的（例如批量、技术）。不同的协变量组合通常导致不同的转录谱。随着技术的发展，产生了包含多种来源信息的复杂数据集，可以作为聚类的输入。传统的聚类方法只从一个来源获取信息（例如，基因表达）。因此，需要集成来自多个来源的信息进行聚类，并准确预测不同来源的协变量造成的影响。

相比其它方法，InClust 的优势在于其模块在实现上是独立的，但在运行时是相互关联的，可在同时完成数据整合与协变量相关的模式寻找（数据拆分 data decomposition）。嵌入模块可以将任意向量（协变量）嵌入到潜在空间中，从而不仅整合样本来源信息，还有潜力将来自不同组学的信息汇总，从而进行多组学分析，例如将不同样本的特定基因甲基化程度作为协变量）。矢量算术模块可以通过减法去除不必要的协变量，也可以通过加法合并协变量，灵活地对信息进行集成。聚类模块不仅可以对包含多个来源信息的潜在空间向量进行分类，还可以灵活地利用数据中的标签信息，使模型成为一个全通用的深层生成框架，可以在从全监督、半监督以及无监督这三种模式下进行聚类。

由于inClust 中的 VAE 包含两部分隐空间，使其不像基于自动编码器的模型那样容易受到过拟合风险的影响。inClust 被证明对数据缺失具有鲁棒性；额外的噪声不会影响 inClust 的性能。简而言之，inClust 是单细胞转录组学领域多任务协调和分解的理想框架。