📊 statistics

Conformal inference for cell type annotation with graph-structured constraints

本文介绍了一种通过 R 语言包 `scConform` 实现的新型符合推断框架，该框架利用图结构细胞本体论和风险控制来增强单细胞转录组学中细胞类型注释的可解释性与连贯性，同时还解决了训练数据与测试数据之间的分布偏移问题。

原作者： Daniela Corbetta, Livio Finos, Ludwig Geistlinger, Davide Risso

发布于 2026-06-09

📖 1 分钟阅读☕ 轻松阅读

原作者： Daniela Corbetta, Livio Finos, Ludwig Geistlinger, Davide Risso

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观：带有安全网的猜测

想象你是一名侦探，正试图从 15 个不同的人中识别出一名嫌疑人。一个标准的计算机模型就像一个只会指着一个人并说“就是他！”的侦探。但有时，侦探并不是 100% 确定的。也许嫌疑人看起来有点像 A，但也有一点像 B。

如果侦探只选 A，他们可能会出错。如果他们同时选 A 和 B，虽然更保险，但如果 A 和 B 是完全无关的人（比如一个面包师和一个飞行员），那么这个名单就显得毫无逻辑。

这篇论文介绍了一种让计算机进行此类猜测的新方法。它不再仅仅指向一个人，而是给出一个可能性的列表，并保证在大多数情况下，真实答案都在这个列表中。更棒的是，它确保列表中的人彼此之间是有联系的，就像家谱一样，从而使列表在逻辑上是合理的。

问题所在：“细胞的家谱”

在生物学中，科学家研究被称为“细胞”的微小构建模块。有很多种类型的细胞（如 T 细胞、B 细胞、肌肉细胞），它们在特定的层级结构中相互关联，非常类似于家谱。

树状结构： 所有“T 细胞”都是“淋巴细胞”的孩子。“CD4+ T 细胞”和“CD8+ T 细胞”是堂兄弟/表兄弟关系。
问题所在： 旧的计算机方法可能会说一个细胞要么是“CD4+ T 细胞”，要么是“肌肉细胞”。这两者在家族树上相距甚远。如果计算机感到困惑，给你一个包含这两个无关选项的列表会让人感到困惑且毫无帮助。

解决方案：一个“智能安全网”

作者开发了一种称为**符合性推断（Conformal Inference）**的方法。你可以把它看作是预测的一个“安全网”。

保证： 该方法承诺：“如果你使用我的猜测列表，我保证真实答案在 90% 的情况下都在这个列表中。”无论原始计算机模型有多好或多差，安全网都会自动调整以履行这一承诺。
图约束（Graph Constraint）： 这是本论文的特别之处。它不仅仅是抓取随机的猜测，而是观察“家谱”（图）。
- 如果计算机非常有把握，它会给你树上的一个特定叶节点（例如“CD4+ T 细胞”）。
- 如果计算机不确定，它不会给出随机混合的远亲，而是会向家族树向上移动到共同的祖先。
- 类比： 如果你不确定嫌疑人是“CD4+ T 细胞”还是“CD8+ T 细胞”，该方法不会把两者都列出来。相反，它会说：“他肯定是一个 T 细胞。”这是一个单一且清晰的答案，涵盖了两种可能性，而不会产生混乱。

处理“不同房间”的问题（分布偏移）

想象你训练侦探时使用的是来自纽约的照片，但现在你正试图识别来自东京的人。光线、服装和平均特征可能都不同。这就是所谓的“分布偏移”。

问题： 如果你的计算机是在一个大多是“肌肉细胞”的数据集上训练的，而你测试的是一个大多是“血细胞”的数据集，那么安全网可能会失效，因为计算机被这种新的组合搞糊涂了。
解决方法： 作者创建了一个“重采样”技巧。在做出最终的安全网之前，他们通过模拟重新洗牌训练照片的过程，使得训练室里的人群构成看起来与测试室里的构成完全一致。这有助于即使在数据来源不同（如不同的医院或患者）的情况下，安全网也能正常工作。

现实世界测试

作者通过两种方式测试了这一想法：

小鼠肠道测试： 他们使用了小鼠肠道的数据。他们发现，他们的新方法生成的列表更具逻辑性。当计算机不确定时，它会将相关的细胞聚集在一起（例如，说是一个“T 细胞”，而不是将“CD4”和“B 细胞”混在一起）。他们还展示了当计算机真正感到困惑时（例如遇到一种它从未见过的细胞类型），他们的方法会诚实地回答：“我不知道，它可能是这些中的任何一种”，这是一个诚实且有用的回答。
COVID-19 测试： 他们研究了 COVID-19 患者的血细胞。他们模拟了一个场景：需要根据旧数据来预测新患者的细胞类型。他们的方法成功处理了新旧数据之间细胞计数差异的问题，提供了尊重生物学家族树的可靠猜测组。

核心结论

这篇论文为科学家提供了一个工具，使细胞预测变得：

诚实： 通过提供更广泛、更安全的列表，它们承认自己何时不确定。
逻辑严密： 列表遵循生物学家族树，因此答案是有意义的。
可靠： 它们具有数学保证，即正确答案通常会在列表中。
适应性强： 它们可以处理新数据看起来与旧训练数据不同的情况。

作者已将此工具作为免费软件包 scConform 公布，以便其他科学家可以使用它来使自己的细胞预测更加值得信赖。

技术摘要：基于图结构约束的共形推理用于细胞类型注释

问题陈述
单细胞转录组学在细胞类型预测方面面临着重大挑战，特别是在不确定性量化方面。传统的基于参考的方法通常依赖于点预测（分配具有最高概率的单一标签），这无法捕捉模型固有的不确定性，尤其是在多个细胞类型具有相近概率时。虽然共形预测（Conformal Prediction）提供了一个生成具有有限样本保证的预测集的框架，但其在单细胞基因组学中的应用仍有待探索。此外，标准的共形方法生成的预测集往往包含在语义上相距甚远或无关的标签（例如，同时预测特定的 T 细胞和基质细胞），这增加了理解的难度。此外，实际应用经常受到分布偏移的影响，特别是标签偏移（即参考集（训练/校准）与测试数据集之间的细胞类型组成不同），这违反了标准共形推理所需的交换性假设。

方法论
作者提出了一种将共形风险控制（Conformal Risk Control）与细胞本体（Cell Ontology）的图结构约束相结合的新型框架。

图结构共形风险控制：
- 本体集成： 该方法利用细胞本体作为有向无环图（DAG），其中叶节点代表具体的细胞类型，内部节点代表更广泛的类别。
- 评分构建： 对于预测的类别 $\hat{y}(x)$ ，算法计算祖先节点 $v$ 的得分 $g(v, x)$ ，该得分定义为 $v$ 的所有叶后代节点的预测概率之和。
- 预测集构建： 该算法不再返回分散的叶节点，而是识别预测类别的最具体祖先 $v$ ，其累计得分超过阈值 $\lambda$ 。预测集 $C_\lambda(x)$ 由该祖先的所有叶后代组成，加上任何得分严格低于 $\lambda$ 的其他祖先的叶后代（以确保风险控制所需的嵌套属性）。
- 损失函数： 该方法采用误覆盖损失函数，确保真实标签落在预测集之外的概率被限制在用户指定的误差率 $\alpha$ 之内。
解决分布偏移（标签偏移）：
- 意识到细胞类型组成在参考数据集和测试数据集之间可能存在差异，作者提出了两步走的方法。首先，他们假设技术性和生物性协变量偏移已通过现有的整合方法（如 Harmony, LIGER）得到缓解。
- 其次，为了解决标签偏移（细胞类型频率的差异），他们引入了一种重采样策略。将测试数据分为两个子集（ $S_1, S_2$ ）。在参考数据上训练模型，并在 $S_1$ 上估计概率。然后根据这些估计的概率对校准集进行重采样，以匹配测试分布。使用这个重采样后的集合来校准用于 $S_2$ 的预测集。该过程通过交换角色进行重复。这种策略近似了标签偏移下所需的重要性加权期望，而无需预先知晓测试分布。

核心贡献

图约束预测集： 本文引入了一种共形算法，利用细胞本体的层次结构来生成语义连贯的预测集。该方法不是输出不连续的标签，而是输出对应于本体中特定祖先的集合，从而提供一个能够总结不确定性的单一、可解释的标签（或其后代）。
标签偏移校正： 作者提供了一种实用的重采样技术来纠正单细胞注释中的标签偏移，在参考集和测试数据集细胞类型组成不同时，恢复有效的覆盖保证。
实现： 该方法已在开源 R 包 scConform（可通过 Bioconductor 获取）中实现，使该方法能够为基因组学社区所使用。

结果
作者使用两个数据集评估了其方法：

Merfish 小鼠回肠数据集：
- 与标准拆分共形推理相比，图结构方法生成的预测集具有更低的集合内距离（平均距离 1.148 对比 1.616），表明具有更高的语义连贯性。
- 虽然图结构的集合平均而言稍大，但在置信度高时经常产生单标签预测。
- 至关重要的是，对于属于参考集中不存在的类别（例如“肌间神经丛/Myenteric Plexus”）的细胞，图结构方法正确地生成了“不确定”集合（包含所有 15 个标签），而标准共形推理则错误地分配了特定的参考标签，未能标记出数据的分布外性质。
COVID-19 患者数据集：
- 在具有不平衡细胞类型分布的现实临床场景中，所提出的重采样策略成功纠正了覆盖不足的问题。
- 在没有重采样的情况下，经验覆盖率超过了标称水平（过覆盖）。通过重采样校正（包括 Oracle 和估计值），覆盖率更趋近于目标值 0.9。
- 该方法成功地将细粒度的预测合并为具有生物学意义的祖先（例如，将浆细胞亚型归类为“抗体分泌细胞”），展示了改进的可解释性。

意义与主张
本文声称，将图结构约束纳入共形推理，可以显著增强单细胞数据中细胞类型预测的可解释性。通过将预测集与生物层次结构对齐，该方法避免了不连续标签带来的歧义，并提供了对模型不确定性更直观的总结。

作者强调，无论底层分类器的准确性如何，其方法均提供有限样本的有效性保证。与通过树结构向下传播误差且不具备覆盖保证的层次分类方法不同，该方法确保了报告的集合以预设概率（ $1-\alpha$ ）包含真实细胞类型。此外，所提出的重采样策略为基因组学中常见的标签偏移问题提供了原则性的解决方案，即使在参考集和测试集组成不同时，也能实现可靠的不确定性量化。这项工作将共形推理定位为一种鲁棒的下游分析工具，允许研究人员显式地纳入模型不确定性，而非仅仅依赖于可能具有误导性的点估计。