📊 statistics

Conformal inference for cell type annotation with graph-structured constraints

Dieses Paper führt ein neuartiges Conformal-Inference-Framework ein, das im R-Paket `scConform` implementiert ist und graphenbasierte Zell-Ontologien sowie Risikokontrolle nutzt, um die Interpretierbarkeit und Kohärenz von Zelltyp-Annotationen in der Einzelzell-Transkriptomik zu verbessern, während es gleichzeitig Verteilungsverschiebungen zwischen Trainings- und Testdaten adressiert.

Ursprüngliche Autoren: Daniela Corbetta, Livio Finos, Ludwig Geistlinger, Davide Risso

Veröffentlicht 2026-06-09

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Daniela Corbetta, Livio Finos, Ludwig Geistlinger, Davide Risso

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Ganze: Raten mit einem Sicherheitsnetz

Stellen Sie sich vor, Sie sind ein Detektiv, der versuchen muss, einen Verdächtigen aus einer Reihe von 15 verschiedenen Personen zu identifizieren. Ein Standard-Computermodell agiert wie ein Detektiv, der auf eine Person zeigt und sagt: „Das ist sie!“ Aber manchmal ist sich der Detektiv nicht zu 100 % sicher. Vielleicht sieht der Verdächtige ein bisschen wie Person A aus, aber auch ein wenig wie Person B.

Wenn der Detektiv einfach Person A wählt, könnte er falsch liegen. Wenn er sowohl A als auch B wählt, ist er sicherer, aber wenn A und B völlig fremde Personen sind (wie ein Bäcker und ein Pilot), ergibt die Liste keinen Sinn.

Dieses Paper stellt eine neue Art und Weise vor, wie Computer diese Vermutungen anstellen können. Anstatt nur auf eine Person zu zeigen, gibt es eine Liste von Möglichkeiten aus, die garantiert in den meisten Fällen die richtige Antwort enthält. Noch besser: Es stellt sicher, dass die Personen auf der Liste miteinander verwandt sind, wie ein Stammbaum, damit die Liste eine logische Struktur hat.

Das Problem: Der „Stammbaum“ der Zellen

In der Biologie untersuchen Wissenschaftler winzige Bausteine namens Zellen. Es gibt viele Arten von Zellen (wie T-Zellen, B-Zellen, Muskelzellen), und diese sind in einer spezifischen Hierarchie zueinander verwandt, ganz ähnlich wie ein Stammbaum.

Der Baum: Alle „T-Zellen“ sind Kinder der „Lymphozyten“. „CD4+ T-Zellen“ und „CD8+ T-Zellen“ sind Cousins.
Das Problem: Alte Computermethoden könnten sagen, dass eine Zelle entweder eine „CD4+ T-Zelle“ ODER eine „Muskelzelle“ ist. Diese beiden liegen im Stammbaum sehr weit auseinander. Wenn der Computer verwirrt ist, ist es wenig hilfreich, Ihnen eine Liste mit diesen zwei unzusammenhängenden Optionen zu geben.

Die Lösung: Ein „kluges Sicherheitsnetz“

Die Autoren haben eine Methode namens Conformal Inference entwickelt. Betrachten Sie dies als ein „Sicherheitsnetz“ für Vorhersagen.

Die Garantie: Die Methode verspricht: „Wenn Sie meine Liste von Vermutungen verwenden, garantiere ich, dass die reale Antwort in 90 % der Fälle in dieser Liste enthalten ist.“ Es spielt keine Rolle, wie gut oder schlecht das ursprüngliche Computermodell ist; das Sicherheitsnetz passt sich selbst an, um dieses Versprechen einzuhalten.
Die Graph-Beschränkung: Dies ist die besondere Wendung dieses Papers. Anstatt einfach nur zufällige Vermutungen herauszugreifen, betrachtet die Methode den „Stammbaum“ (den Graphen).
- Wenn der Computer sich sehr sicher ist, gibt er Ihnen ein spezifisches Blatt am Baum (z. B. „CD4+ T-Zelle“).
- Wenn der Computer unsicher ist, anstatt eine zufällige Mischung aus entfernten Verwandten zu liefern, bewegt er sich im Stammbaum nach oben zu einem gemeinsamen Vorfahren.
- Analogie: Wenn Sie nicht sicher sind, ob der Verdächtige eine „CD4+ T-Zelle“ oder eine „CD8+ T-Zelle“ ist, listet die Methode nicht beide auf. Stattdessen sagt sie: „Es ist definitiv eine T-Zelle.“ Dies ist eine einzige, klare Antwort, die beide Möglichkeiten abdeckt, ohne verwirrend zu sein.

Das Problem mit den „verschiedenen Räumen“ (Distribution Shift)

Stellen Sie sich vor, Sie haben Ihren Detektiv mit Fotos von Menschen aus New York trainiert, aber jetzt versuchen Sie, Menschen aus Tokio zu identifizieren. Das Licht, die Kleidung und die durchschnittlichen Merkmale könnten anders sein. Dies nennt man „Distribution Shift“ (Verteilungswandel).

Das Problem: Wenn der Computer mit einem Datensatz trainiert wurde, der hauptsächlich aus „Muskelzellen“ besteht, und Sie ihn nun auf einem Datensatz testen, der hauptsächlich aus „Blutzellen“ besteht, könnte das Sicherheitsnetz versagen, weil der Computer durch diese neue Mischung verwirrt ist.
Die Lösung: Die Autoren haben einen „Resampling“-Trick entwickelt. Bevor das endgültige Sicherheitsnetz erstellt wird, tun sie so, als würden sie die Trainingsfotos so durchmischen, dass die Zusammensetzung der Menschen im Trainingsraum exakt der Zusammensetzung der Menschen im Testraum entspricht. Dies hilft dem Sicherheitsnetz, korrekt zu funktionieren, selbst wenn die Daten aus unterschiedlichen Quellen stammen (wie zum Beispiel aus verschiedenen Krankenhäusern oder von verschiedenen Patienten).

Reale Tests

Die Autoren haben diese Idee auf zwei Arten getestet:

Der Mäuse-Darm-Test: Sie nutzten Daten aus Mäusedärmen. Sie fanden heraus, dass ihre neue Methode Listen erzeugte, die logischer waren. Wenn der Computer unsicher war, gruppierte er verwandte Zellen zusammen (indem er z. B. „T-Zelle“ sagte, anstatt „CD4“ und „B-Zelle“ wild zu mischen). Sie zeigten auch, dass ihr Verfahren, wenn der Computer wirklich verwirrt war (wie bei einem Zelltyp, den er noch nie gesehen hatte), ehrlich antwortete: „Ich weiß es nicht, es könnte jeder von diesen sein“ – eine ehrliche und nützliche Antwort.
Der COVID-19-Test: Sie untersuchten Blutzellen von COVID-19-Patienten. Sie simulierten ein Szenario, in dem sie Zelltypen für einen neuen Patienten basierend auf alten Daten vorhersagen mussten. Ihre Methode konnte die Unterschiede in den Zellzahlen zwischen den alten und neuen Daten erfolgreich bewältigen und lieferte zuverlässige Gruppen von Vermutungen, die den biologischen Stammbaum respektierten.

Das Fazit

Dieses Paper liefert Wissenschaftlern ein Werkzeug, um Zellvorhersagen zu treffen, die:

Ehrlich sind: Sie geben zu, wenn sie unsicher sind, indem sie eine breitere, sicherere Liste liefern.
Logisch sind: Die Listen respektieren den biologischen Stammbaum, sodass die Antworten Sinn ergeben.
Zuverlässig sind: Sie haben eine mathematische Garantie, dass die richtige Antwort meistens in der Liste enthalten ist.
Anpassungsfähig sind: Sie können Situationen handhaben, in denen die neuen Daten anders aussehen als die ursprünglichen Trainingsdaten.

Die Autoren haben dieses Werkzeug als kostenloses Softwarepaket namens scConform zur Verfügung gestellt, damit andere Wissenschaftler ihre eigenen Zellvorhersagen vertrauenswürdiger machen können.

Technische Zusammenfassung: Konforme Inferenz für die Zelltyp-Annotation mit graphstrukturierten Beschränkungen

Problemstellung
Die Einzelzell-Transkriptomik steht vor erheblichen Herausforderungen bei der Zelltyp-Vorhersage, insbesondere im Hinblick auf die Quantifizierung von Unsicherheit. Traditionelle referenzbasierte Ansätze verlassen sich oft auf Punktvorhersagen (die Zuweisung eines einzelnen Labels mit der höchsten Wahrscheinlichkeit), welche die inhärente Unsicherheit des Modells nicht erfassen können – insbesondere wenn mehrere Zelltypen vergleichbare Wahrscheinlichkeiten aufweisen. Während die konforme Prädiktion (Conformal Prediction) einen Rahmen zur Generierung valider Vorhersagesets mit endlichen Stichproben-Garantien bietet, bleibt ihre Anwendung in der Einzelzell-Genomik untererforscht. Darüber hinaus produzieren Standardmethoden der konformen Inferenz oft Vorhersagesets, die semantisch weit entfernt oder nicht verwandt innerhalb der biologischen Hierarchie sind (z. B. die Vorhersage sowohl einer spezifischen T-Zelle als auch einer Stromazelle), was die Interpretation erschwert. Zudem leiden reale Anwendungen häufig unter Verteilungsverschiebungen, speziell dem Label-Shift (Verschiebung der Labels), bei dem sich die Zelltyp-Zusammensetzung zwischen dem Referenz- (Trainings-/Kalibrierungs-) und dem Testdatensatz unterscheidet, was die Voraussetzung der Austauschbarkeit (Exchangeability) erfordert, die für die Standard-konforme Inferenz gilt.

Methodik
Die Autoren schlagen einen neuartigen Rahmen vor, der die konforme Risiko-Kontrolle (Conformal Risk Control) mit den graphstrukturierten Beschränkungen der Zell-Ontologie integriert.

Graphstrukturierte konforme Risiko-Kontrolle:
- Ontologie-Integration: Die Methode nutzt die Zell-Ontologie als gerichteten azyklischen Graphen (Directed Acyclic Graph, DAG), wobei Blattknoten spezifische Zelltypen und interne Knoten breitere Kategorien darstellen.
- Score-Konstruktion: Für eine vorhergesagte Klasse $\hat{y}(x)$ berechnet der Algorithmus Scores $g(v, x)$ für Ahnenknoten $v$ , definiert als die Summe der vorhergesagten Wahrscheinlichkeiten aller Blatt-Nachkommen von $v$ .
- Konstruktion des Vorhersagesets: Anstatt verstreute Blattknoten zurückzugeben, identifiziert der Algorithmus den spezifischsten Ahnenknoten $v$ der vorhergesagten Klasse, dessen kumulativer Score einen Schwellenwert $\lambda$ überschreitet. Das Vorhersageset $C_\lambda(x)$ besteht aus allen Blatt-Nachkommen dieses Ahnenknotens sowie den Blatt-Nachkommen aller anderen Ahnen mit Scores, die strikt unter $\lambda$ liegen (um die erforderliche Verschachtelungseigenschaft für die Risiko-Kontrolle zu gewährleisten).
- Verlustfunktion: Die Methode verwendet eine Fehlbedeckungsverlustfunktion (Miscoverage Loss Function), die sicherstellt, dass die Wahrscheinlichkeit, dass das wahre Label außerhalb des Vorhersagesets liegt, durch eine benutzerdefinierte Fehlerrate $\alpha$ begrenzt ist.
Adressierung der Verteilungsverschiebung (Label-Shift):
- In Anerkennung der Tatsache, dass die Zelltyp-Zusammensetzungen zwischen Referenz- und Testdatensätzen oft variieren, schlagen die Autoren einen zweistufigen Ansatz vor. Zuerst wird angenommen, dass technische und biologische Kovariaten-Shifts durch bestehende Integrationsmethoden (z. B. Harmony, LIGER) gemildert werden.
- Zweitens, um den Label-Shift (Unterschiede in den Zelltyp-Frequenzen) zu adressieren, führen sie eine Resampling-Strategie ein. Der Testdatensatz wird in zwei Teilmengen ( $S_1, S_2$ ) aufgeteilt. Ein Modell wird auf den Referenzdaten trainiert und Wahrscheinlichkeiten werden auf $S_1$ geschätzt. Der Kalibrierungsdatensatz wird dann entsprechend diesen geschätzten Wahrscheinlichkeiten resampelt, um die Testverteilung abzubilden. Dieser resampelte Satz wird verwendet, um die Vorhersagesets für $S_2$ zu kalibrieren. Der Prozess wird mit vertauschten Rollen wiederholt. Diese Strategie approximiert die gewichtete Erwartungswert-Schätzung, die für eine valide Abdeckung unter Label-Shift erforderlich ist, ohne Vorwissen über die Testverteilung zu benötigen.

Wesentliche Beiträge

Graph-beschränkte Vorhersagesets: Die Arbeit führt einen konformen Algorithmus ein, der die hierarchische Struktur von Zell-Ontologien nutzt, um Vorhersagesets zu generieren, die semantisch kohärent sind. Anstatt disjunkter Labels liefert die Methode Sets, die den spezifischen Ahnen in der Ontologie entsprechen, und liefert so ein interpretierbares Label (oder dessen Nachkommen), das die Unsicherheit zusammenfasst.
Korrektur des Label-Shifts: Die Autoren bieten eine praktische Resampling-Technik an, um den Label-Shift in der Einzelzell-Annotation zu korrigieren, wodurch die validen Abdeckungsgarantien wiederhergestellt werden, wenn Referenz- und Testdatensätze unterschiedliche Zelltyp-Zusammensetzungen aufweisen.
Implementierung: Die Methode ist im Open-Source R-Paket scConform (verfügbar via Bioconductor) implementiert, wodurch dieser Ansatz für die Genomik-Community zugänglich gemacht wird.

Ergebnisse
Die Autoren evaluierten ihre Methode anhand zweier Datensätze:

Merfish Mouse Ileum Datensatz:
- Im Vergleich zur Standard-Split-konformen Inferenz erzeugte die graphstrukturierte Methode Vorhersagesets mit geringeren Intra-Set-Distanzen (durchschnittliche Distanz 1,148 vs. 1,616), was auf eine höhere semantische Kohärenz hindeutet.
- Obwohl die graphbasierten Sets im Durchschnitt etwas größer waren, produzierten sie häufig Einzel-Label-Vorhersagen, wenn die Konfidenz hoch war.
- Entscheidend ist, dass die graphbasierte Methode für Zellen, die zu Kategorien gehören, die nicht in der Referenz vorhanden sind (z. B. „Myenteric Plexus“), korrekt „inkonklusive“ Sets (enthaltend alle 15 Labels) produzierte, während die Standard-konforme Inferenz fälschlicherweise spezifische Referenz-Labels zuwies und somit versäumte, die Out-of-Distribution-Natur der Daten zu kennzeichnen.
COVID-19 Patienten-Datensatz:
- In einem realistischen klinischen Setting mit unbalancierten Zelltyp-Verteilungen korrigierte die vorgeschlagene Resampling-Strategie erfolgreich die Unterabdeckung-Probleme.
- Ohne Resampling lag die empirische Abdeckung über dem nominalen Niveau (Überabdeckung). Mit der Resampling-Korrektur (sowohl Oracle- als auch geschätzte Version) konvergierte die Abdeckung näher an das Ziel von 0,9.
- Die Methode konnte feingliedrige Vorhersagen erfolgreich zu biologisch sinnvollen Ahnen konsolidieren (z. B. Gruppierung von Plasma-Zell-Subtypen unter „Antibody secreting cell“), was eine verbesserte Interpretierbarkeit demonstriert.

Bedeutung und Ansprüche
Das Paper behauptet, dass die Integration von graphstrukturierten Beschränkungen in die konforme Inferenz die Interpretierbarkeit von Zelltyp-Vorhersagen in Einzelzelldaten signifikant verbessert. Durch die Ausrichtung der Vorhersagesets an der biologischen Hierarchie vermeidet die Methode die Mehrdeutigkeit disjunkter Labels und bietet eine intuitivere Zusammenfassung der Modellunsicherheit.

Die Autoren betonen, dass ihr Ansatz Garantien für die endliche Stichprobe bietet, unabhängig von der Genauigkeit des zugrunde liegenden Klassifikators. Im Gegensatz zu hierarchischen Klassifikationsmethoden, die Fehler durch den Baum propagieren, ohne Abdeckungsgarantien zu bieten, stellt diese Methode sicher, dass das berichtete Set das wahre Label mit einer vorgegebenen Wahrscheinlichkeit ( $1-\alpha$ ) enthält. Darüber hinaus bietet die vorgeschlagene Resampling-Strategie eine fundierte Lösung für das verbreitete Problem des Label-Shifts in der Genomik und ermöglicht eine zuverlässige Quantifizierung der Unsicherheit, selbst wenn Referenz- und Testdatensätze in ihrer Zusammensetzung divergieren. Die Arbeit positioniert die konforme Inferenz als robustes Werkzeug für nachgelagerte Analysen, das es Forschern ermöglicht, die Modellunsicherheit explizit einzubeziehen, anstatt sich auf potenziell irreführende Punkt-Schätzungen zu verlassen.