博文

scDiagnostics：细胞类型注释的系统评估

已有 587 次阅读 2026-8-1 11:07 |个人分类:科普|系统分类:科普集锦

scDiagnostics：细胞类型注释的系统评估

单细胞 RNA 测序（scRNA-seq）已经改变了我们在单个细胞水平上分析转录组多样性的能力，使我们能够以前所未有的洞察力研究复杂组织和生物系统中的细胞异质性。在任何 scRNA-seq 分析工作流程中，准确识别和注释细胞类型是一个基本且关键的步骤，它为理解细胞功能、发育轨迹和疾病机制提供了重要的生物学背景。这个过程是几乎所有下游分析的基础，从细胞相互作用研究到差异表达分析和通路富集，使得细胞类型注释的质量对研究的生物学可解释性和有效性至关重要。

传统的细胞类型注释方法严重依赖于领域专家的手动管理，这些专家检查计算得出的细胞簇中的基因表达模式，并将它们与已知的细胞类型特异性标记基因进行比较。尽管由经验丰富的研究人员执行的手动过程可以实现高精度，但它本质上劳动密集、耗时、主观，并且无法很好地扩展到现代单细胞技术生成的日益庞大的数据集。此外，手动注释还面临可重复性挑战，因为不同的专家在解释相同数据时可能会得出不同的结论。

为解决这些局限性，该领域见证了自动化细胞类型注释的计算方法的快速发展。这些方法可以大致分为两种理论框架：(1) 基于标记基因的方法，该方法利用细胞类型特异性基因的精选数据库，根据已知生物标志物的表达对细胞进行评分和分类，以及(2) 基于参考的方法，该方法将单细胞表达谱与经过充分注释的参考数据集进行比较，根据转录组相似性转移标签。已经开发了许多实现这两种方法论策略的计算工具，并促进了该领域的重大进展，包括使用相关性分析的基于参考的注释工具 SingleR、在标记参考数据上训练的监督分类工具 CellTypist、以及用于层次分类的 CHETAH。置信度的评分方法，例如scmap用于基于簇和基于细胞的注释，Seurat 的集成标签迁移框架 Azimuth ，以及更近期的深度学习方法，如使用图神经网络的 scDeepSort和用于跨数据集迁移学习的 scArches。

尽管取得了这些进展，但在计算细胞类型注释的当前领域中，仍然存在一些基本挑战。最重要的是，许多这些工具作为“黑箱”运行，其决策过程对用户不透明。研究人员通常在不充分理解其基本假设、限制或结果注释质量的情况下应用这些方法。这种黑箱特性尤其成问题，因为注释错误可能会通过整个分析管道传播，可能导致错误的生物学结论。

参考数据集标注中的一个核心挑战是标签迁移问题，即将参考数据集的标注通过计算投影到新的目标数据集上。尽管在概念上很简单，但这个过程充满了困难。参考数据集和查询数据集常常表现出技术批次效应，这些效应源于测序平台、实验方案、文库制备方法或实验室条件的差异。此外，数据集之间的生物学差异，如组织采样、细胞培养条件、发育阶段或疾病状态的差异，可能导致错位，从而影响标注的准确性。

或许最关键的是，参考数据集和查询数据集之间经常没有完美的匹配，尤其是在将健康参考图谱的注释转移到研究疾病状态或新型生物条件时。在这种情况下，查询数据集中的细胞可能代表在参考中未能充分代表的细胞状态，导致被迫分配到最相似的可用细胞类型，而不是适当识别新型或中间细胞状态。当处理稀有细胞类型、过渡细胞状态或经历动态生物过程的细胞时，这个问题会更加突出。

在质量评估方面存在的这一差距尤其成问题，因为复杂或模糊的标注案例在标准工作流程中常常被忽视。处于发育连续体上的细胞、表现出已知细胞类型之间中间表达谱的细胞，或代表新型细胞状态的细胞，如果没有适当的标记进行人工审查，可能会被错误地强行归入现有类别。同样，标注中的系统性偏差，例如方法倾向于优先处理代表性好的细胞类型而非稀有群体，如果没有适当的诊断工具，可能无法被检测到。

尽管存在几种可用于诊断此类注释失败的工具，但这些方法通常是特定任务的，并不具有普遍适用性。这包括提供分类置信度分数的细胞类型注释工具、用于分布外（OOD）检测的深度学习模型，以及用于识别疾病驱动的扰动的特定工具。例如，深度学习 OOD 检测工具通常要求用户采用其特定的神经网络架构，从而禁止其在已建立的管道中进行诊断审核。因此，用户通常缺乏工具无关的系统诊断方法，以探索和评估其参考数据集是否适用于其查询、注释迁移是否成功，以及特定细胞群体是否可能被错误注释。

最近，Christidis等人介绍了 scDiagnostics（图1，https://bioconductor.org/packages/scDiagnostics），一个新的开源软件包，它有助于检测可能被忽视的复杂或模糊的注释情况，从而解决当前单细胞分析工作流程中的一个关键未满足需求。scDiagnostics为从自动参考映射中获得的细胞类型注释引入了新的严谨标准，确保更准确和可靠的细胞类型注释，从而带来更清晰和更可靠的生物学见解。

图1 scDiagnostics概览。(A) 单细胞数据细胞类型注释的两种主要方法：使用已知标记基因对经验性获得的细胞簇进行手动注释（顶部），以及从参考数据集自动转移注释（底部）。(B) 与手动标记基因注释（顶部）和参考数据集注释转移（底部）相关的挑战，包括复杂的基因表达模式和在参考数据集和查询数据集之间没有共享的细胞群体。(C) 将查询数据集投影到由参考数据集张成的低维（例如 PCA 或判别）空间。(D) 使用最优传输和一致性分析评估参考数据集和查询数据集之间的数据集和标记基因对齐。(E) 检测和表征查询数据集中的注释异常，突出显示转录组差异的异常群体（红色）

参考文献

[1] Anthony Christidis, Andrew Ghazi, Smriti Chawla, Nitesh Turaga, Robert Gentleman, Ludwig Geistlinger. scDiagnostics: systematic assessment of cell type annotation in single-cell transcriptomics data bioRxiv 2026.01.29.701618; doi: https://doi.org/10.64898/2026.01.29.701618

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