🧬 biology

scVGAE: A ZINB-Based Variational Graph Autoencoder for Single-Cell RNA-Seq Imputation

本文介绍了 scVGAE，这是一种基于零膨胀负二项分布的变分图自编码器，它通过将图卷积网络与直接表达重构相结合，有效地填补了稀疏的单细胞 RNA-seq 数据，并且与现有方法相比，在保持不同数据集中的细胞类别结构方面取得了卓越的性能。

原作者： Yoshitaka Inoue

发布于 2026-08-19

📖 1 分钟阅读☕ 轻松阅读

原作者： Yoshitaka Inoue

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

在每一个活细胞内部，一个被称为 RNA 的微小指令库正在不断地被读取和重写，以告知细胞该做什么。科学家们已经开发出一种能够为单个细胞拍摄这些指令“快照”的方法，这种技术被称为单细胞 RNA 测序。这项技术让研究人员能够看到那些在显微镜下看起来完全相同的细胞之间存在的独特差异，从而揭示构成组织和器官的隐藏多样性。然而，拍摄这些快照的过程并不完美。由于单个细胞中的物质含量如此之少，导致生成的数据往往是不完整的，充满了机器未能检测到实际存在的信号的空白点。这些缺失的部分通常被称为“零值”，它们看起来像是细胞根本没有使用某种基因，但实际上该基因是活跃的，只是测量信号太弱而未能捕捉到。这种稀疏性使得将细胞归类到其正确类型或理解其功能变得困难，就像试图用许多缺失碎片来拼凑一个拼图一样。

为了解决这个问题，研究人员开发了各种填补空白的方法，这个过程被称为“插补”（imputation）。一些方法通过观察相似的细胞并从它们那里借用信息，而另一些方法则利用数学技巧，根据数据中的模式来推测缺失值的应有数值。由明尼苏达大学的井上义隆（Yoshitaka Inoue）开发的一种名为 scVGAE 的新方法提供了一种不同的策略。该方法不仅仅是猜测缺失的数字，而是构建了一张细胞之间如何相互关联的地图，并利用概率框架来重建完整的图景。其目标是从充满噪声、不完整的数据中恢复真实的生物学信号，而不凭空捏造虚假信息。

研究人员首先通过细胞的遗传特征相似性将它们组织成一个网络。想象一下，细胞是地图上的点，线条连接着那些最相似的点。为了让这张地图对计算机来说易于处理，团队首先将复杂的遗传数据简化为一组较小的特征集，然后将每个细胞与其三十个最近的邻居相连。这创建了一个稀疏且高效的关系网，在捕捉细胞群体结构的同时，不会因过多的连接而使系统不堪重负。

在构建好地图后，团队使用了一种被称为“图神经网络”的人工智能技术来从中学习。该系统将每个细胞视为网络中的一个节点，并将信息沿着连接线传递，使每个细胞能够向其邻居学习。与那些只产生单一、固定答案的旧方法不同，这个新系统会创建一个可能性的范围，代表数据中固有的不确定性。它本质上是要求计算机去想象一个关于细胞真实遗传轮廓的“可能性云团”，而不是强迫它只选择一个数字。这种概率方法有助于模型在它所知的内容与它所猜测的内容之间保持诚实。

随后，系统尝试从这些学到的可能性中重建原始的遗传数据。它同时通过两种方式进行：首先，它使用一种专门为计数数据设计的统计模型来预测基因被读取的次数，从而考虑到有些零值是真实的，而有些则是误差。其次，它直接重建表达矩阵，填补缺失值以创建一个完整、干净的数据版本。模型通过不断地将它的猜测与最初开始时的实际数据进行比较来进行训练，通过调整其内部规则，直到它能够可靠地分辨出真实的生物学沉默与技术误差。

研究人员在涵盖多种组织和物种的 14 个不同现实世界数据集中测试了这种新方法。他们将 scVGAE 与五种已建立的填补缺失数据的方法以及原始的未处理数据进行了对比。性能是通过在数据清洗后细胞能否被正确归类为其实际类型来衡量的。在此测试中，新方法在正确识别细胞组别的平均得分上取得了最高分，优于其他方法。它在衡量组别与已知生物学类别匹配程度的相关指标上也排名第二。结果表明，将细胞关系图与概率重建方法相结合，是恢复生物样本真实结构的一种强大方式。

为了了解系统的哪些部分最为重要，团队进行了实验，通过移除特定组件来测试。他们发现，专门为计数数据设计的统计模型是最关键的部分；如果没有它，正确归类细胞的能力会显著下降。数据的直接重建也有所帮助，但程度较轻。有趣的是，处理不确定性和随机性的部分对成功有所贡献，但用于保持模型稳定的特定数学惩罚项的效果比预期的要小。这表明，该方法的威力更多地来自于它能够从一系列可能性中进行采样，以及它对计数数据的专门处理，而非来自类似模型中常用的严格数学约束。

研究结论认为，这种新方法提供了一种具有竞争力的手段来清理单细胞数据，在保留细胞群体自然结构的同时，生成一个完整的表达矩阵。作者指出，虽然该方法在许多不同类型的数据上表现良好，但其性能会根据数据集的具体特征而变化。他们还指出，目前的评估侧重于该方法在多大程度上有助于细胞归类，而非它是否完美地恢复了每一个缺失的数值。未来的工作需要探索该模型如何处理不确定性，以及它是否可以被改编用于构建不同类型的细胞图谱。目前，这项工作证明了将细胞数据视为具有内置不确定性的连接网络，为理解生命在细胞层面的复杂性提供了一条充满前景的路径。

技术摘要：scVGAE

问题陈述
单细胞 RNA 测序（scRNA-seq）能够实现对细胞异质性的高分辨率表征，但其固有的稀疏性和技术性零值（technical zeros）问题也带来了挑战。这些“丢弃”（dropouts）现象掩盖了生物结构，并使下游分析（如可视化和聚类）变得复杂。虽然目前已存在多种插补方法——包括基于亲和力的扩散法（MAGIC）、低秩近似（ALRA）以及深度学习方法（DeepImpute、DCA）——但许多方法依赖于确定性的潜在表示，未能显式地对潜在状态中的不确定性进行建模。此外，现有的基于图的方法通常缺乏一个能够自然地将计数感知（count-aware）的重构目标与图结构数据相结合的概率框架。

方法论
作者提出了 scVGAE，一种基于零膨胀负二项分布（ZINB）的变分图自编码器，旨在用于 scRNA-seq 的插补。该架构将图卷积网络（GCN）与概率变分框架相结合。

预处理与图构建：
- 对输入表达矩阵进行过滤、对数转换、库大小归一化以及平方根转换。
- 为了确保可扩展性，通过将预处理后的数据投影到 PCA 空间（最多 50 个主成分）并计算 $k$ -最近邻图（ $k=30$ ）来构建细胞-细胞图。这产生了一个度数受限的对称图，而非稠密的全部对全部相似性矩阵。
变分图编码器：
- 不同于传统的重建图连通性的变分图自编码器（VGAE），scVGAE 使用图编码器为每个细胞参数化一个高斯后验分布。
- 编码器采用带有 GraphNorm、ReLU 和 Dropout 的 GCN 层，将输入映射到 128 维的隐藏空间。
- 两个独立的 GCN 头分别输出均值 ( $\mu_z$ ) 和对数方差 ( $\log \sigma^2_z$ )，用于构建维度为 $d=64$ 的潜在分布。
- 在训练期间，通过重参数化技巧（ $Z = \mu_z + \epsilon \odot \exp(\frac{1}{2}\log \sigma^2_z)$ ）获得潜在样本 $Z$ 。在推理阶段，使用后验均值 $\mu_z$ 。
解码与重构：
- ZINB 解码器： 潜在表示被解码为基因级的 ZINB 参数：均值 ( $M$ )、零膨胀概率 ( $\Pi$ ) 和离散度 ( $\Theta$ )。这使得模型能够显式地对计数分布和技术性零值进行建模。
- 表达量解码器： 另一个解码器利用全连接网络（带有 BatchNorm 和 ReLU）直接从潜在变量重构表达矩阵。该输出通过结合输入的归一化视图进行增强，以优化重构效果。
训练目标：
- 模型通过联合优化一个复合损失函数进行训练：
  $\mathcal{L} = \alpha \mathcal{L}_{ZINB} + (1-\alpha) \mathcal{L}_{MSE} + \beta \mathcal{L}_{KL}$
- $\mathcal{L}_{ZINB}$ 是 ZINB 分布的负对数似然。
- $\mathcal{L}_{MSE}$ 是重构表达矩阵与原始表达矩阵之间的均方误差。
- $\mathcal{L}_{KL}$ 是将后验分布向各向同性高斯先验正则化的 Kullback–Leibler 散度。
- 超参数设定为 $\alpha = 0.05$ 且 $\beta = 10^{-4}$ 。

核心贡献

概率图编码： 一种图卷积变分编码器，为每个细胞参数化高斯后验分布，从而实现随机重参数化和不确定性建模。
联合目标： 一个结合了 ZINB 似然（用于计数分布建模）和直接表达重构（MSE）的统一框架，以处理稀疏的 scRNA-seq 数据。
可扩展的图构建： 一种基于 PCA 的 $k$ -最近邻图方法，避免了随细胞数量呈二次方增长的计算开销。
全面的基准测试： 在 14 个真实世界数据集上，针对五种既定插补方法及原始未插补数据进行了评估。

实验结果
作者使用调整兰德指数（ARI）和调整互信息（AMI）作为衡量下游聚类性能的指标，在 14 个不同的 scRNA-seq 数据集上评估了 scVGAE。

整体性能： scVGAE 取得了最高的平均 ARI（0.4681），略微超过了 MAGIC（0.4640）。它取得了第二高的平均 AMI（0.5729），仅次于 MAGIC（0.5822）。
数据集特异性： 该方法在异质性数据集上表现出竞争力，在 14 个数据集中的 10 个上取得了 ARI 最高排名，在 14 个数据集中的 11 个上取得了 AMI 最高排名。
消融实验：
- 移除 ZINB 目标 导致性能下降最为显著，表明分布感知建模是最关键的组成部分。
- 移除 直接表达重构（MSE）也会降低性能，表明两者具有互补的监督作用。
- 用后验均值（确定性变体）替换 随机采样 会显著降低 ARI，但对 AMI 影响不大。
- 仅移除 KL 正则化 对性能的影响微乎其微，这表明在当前的权重设置下，变分形式带来的益处更多源于随机采样而非正则化项本身。

意义与声明
论文声称，scVGAE 证明了紧凑的变分图表示可以在生成插补表达矩阵的同时，在异质性数据集上竞争性地保留细胞类别结构。作者强调，将图感知表示学习与分布感知表达建模（通过 ZINB）相结合，是单细胞分析领域一个极具前景的框架。

作者在声明中保持了谦逊的语气，指出：

聚类指标（ARI/AMI）评估的是结构保留能力，而非直接恢复特定的缺失转录本数值。
性能因数据集而异，表明插补质量取决于数据集特定的几何结构和图构建方式。
研究固定了超参数，而非进行了广泛的针对特定数据集的优化。
目前的评估尚未评估变分后验所代表的不确定性的校准度或生物学意义。

建议未来的工作包括：用于直接恢复评估的受控掩码实验、超参数的敏感性分析以及不确定性校准。

技术摘要：scVGAE

类似论文