🧬 biology

Efficient Imputation for Patch-based Missing Single-cell Data via Cluster-regularized Optimal Transport

本文介绍了CROT，一种簇正则化最优传输算法，它能够在显著缩短运行时间的同时，高效且准确地填补高维单细胞测序数据中的大片缺失区域。

原作者： Yuyu Liu, Jiannan Yang, Ziyang Yu, Weishen Pan, Fei Wang, Tengfei Ma

发布于 2026-05-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Yuyu Liu, Jiannan Yang, Ziyang Yu, Weishen Pan, Fei Wang, Tengfei Ma

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

以下是用通俗易懂的语言和生动的类比对这篇论文的解释。

问题：缺失的“拼图碎片”

想象一下，你正在尝试拼一幅巨大而复杂的拼图，它代表了单个细胞内部的运作机制。在单细胞测序（一种读取单个细胞遗传指令的技术）领域，这幅拼图往往是不完整的。

有时，拼图缺失是因为细胞本身确实缺少某条指令（这是生物学事实）。但更多时候，缺失是因为拍照的相机光线太暗，或者扫描仪出了故障（技术误差）。这被称为“数据丢失”（dropout）。

大多数现有方法试图通过观察邻居来猜测缺失的碎片。如果某块缺失，它们会问：“紧邻它的碎片长什么样？”这种方法对于少量缺失点还算有效。但如果整块角落都消失了怎么办？或者如果某一特定类型的拼图碎片（比如所有代表蓝天的蓝色碎片）在某个特定的拼图盒中完全缺失怎么办？

这就是本文要解决的“基于区块的缺失数据”问题。它发生在整批数据未能记录特定类型信息时（例如，一组细胞的所有蛋白质测量值都缺失了）。传统方法在这里会感到困惑，因为它们无法仅仅依靠查看“邻居”来填补整个缺失的部分。

解决方案：CROT（“智能红娘”）

作者提出了一种名为CROT（聚类正则化最优传输）的新方法。可以将 CROT 想象为一位技艺高超的红娘，它通过将一个“完美”的参考拼图与缺失部分进行对比，试图重建缺失的拼图碎片。

其工作原理分为两个主要步骤：

1. “最优传输”（搬运卡车）
想象你有一辆装满家具的卡车（完整、完美的数据），以及一栋有空房间的房子（包含缺失碎片的残缺数据）。“最优传输”是一种数学方法，用于计算将家具从卡车搬运到房子以填满空房间的最有效方式。它不是随机地把家具扔进去，而是计算出最经济、最合乎逻辑的路径来移动每一件物品，从而使房子的样子尽可能接近卡车的库存清单。

2. “聚类正则化”（房间布局）
这里是巧妙的转折。如果你只是随机移动家具，可能会把床搬到厨房，把炉灶搬到卧室。房子虽然填满了，但杂乱无章且不合逻辑。

在生物学中，相同类型的细胞（如 T 细胞或 B 细胞）就像应该待在一起的“家庭”。CROT 添加了一条名为聚类正则化的规则。它规定：“在移动家具之前，确保把‘家庭’聚在一起。”

它根据细胞的特征将它们分组为“家庭”（聚类）。然后，它确保在将数据从完整集移动到残缺集时，将"T 细胞家庭”移动到"T 细胞家庭”，将"B 细胞家庭”移动到"B 细胞家庭”。这防止了该方法意外混淆不同的细胞类型，从而破坏数据的生物学意义。

为何更优（结果）

论文在三个真实世界的数据集（CITE-seq、Multiome 和 PBMC）上测试了 CROT，在这些数据集中，他们故意隐藏了大块数据，以观察该方法能否找回它们。

准确性：CROT 在猜测缺失数值方面优于其他顶级方法。它不仅仅是猜测“平均”数值，而是猜测符合细胞特定“家庭”的数值。
速度：这是一个巨大的胜利。虽然其他方法需要几分钟（甚至几小时）来填补缺失数据，但 CROT 仅需几秒钟。
- 类比：如果其他方法像是一个团队小心翼翼地手工绘制每一块缺失的砖块，那么 CROT 就像是一台高速 3D 打印机，能瞬间重建缺失的墙壁。
结构：当他们通过一种称为 UMAP 的地图可视化查看结果时，细胞会组织成整齐、 distinct 的群体。其他方法使得这些群体看起来模糊或混杂在一起。CROT 保持了群体的清晰和 distinct。

局限性（注意事项）

论文诚实地指出了 CROT 可能遇到困难的地方：

批次效应：如果“完美参考拼图”和“缺失拼图”来自两个完全不同的实验室，拥有不同的光照和相机角度，CROT 可能会感到困惑。它假设两个数据集大体相似，只是缺失了部分碎片。
缺失的家庭：如果“缺失拼图”完全缺失了某种类型的细胞（例如，目标数据中完全没有 T 细胞），CROT 无法凭空变出一个 T 细胞家庭。它至少需要一些参考来了解 T 细胞长什么样。

总结

简而言之，这篇论文介绍了CROT，这是一种用于修复单细胞数据的快速且智能的工具。它通过利用数学方法将信息从完整数据集移动到不完整数据集，同时严格确保不同类型的细胞保持在其各自的 distinct 群体中，从而解决了“大块”数据缺失的问题。它比现有方法更快、更准确，是分析大型生物数据集的有力工具。

技术摘要：基于聚类正则化最优传输的补丁式缺失单细胞数据高效填补

1. 问题陈述

单细胞测序技术生成的高维数据因“丢失”（dropout）事件（技术零值）和生物表达缺失而具有显著的稀疏性。尽管存在多种填补方法，但它们通常假设缺失是均匀的或数据是完整的。它们往往难以应对补丁式缺失数据，即数据子集中整个特征块（例如 CITE-seq 批次中的所有蛋白测量值，或特定模态中的所有基因表达值）缺失的场景。

现有方法通常依赖局部相似性或关于数据完整性的强假设，导致过度平滑（模糊生物差异）或无法恢复结构化缺失。此外，许多方法缺乏大规模数据集所需的计算效率，填补过程通常需要数分钟至数小时。

2. 方法论：CROT

作者提出了聚类正则化最优传输（Cluster-Regularized Optimal Transport, CROT），这是一种旨在通过将不完整数据集（ $X_2$ ）与完整参考数据集（ $X_1$ ）对齐，从而填补表格化单细胞数据中缺失值的算法。

核心机制

CROT 将填补 formulated 为一个优化问题，旨在最小化不完整数据与完整数据分布之间的距离，同时保留生物结构。该方法利用**熵最优传输（Optimal Transport, OT）**计算将特征从 $X_1$ 映射到 $X_2$ 的传输计划。

总损失函数 $L_{CROT}$ 由两项组成：

数据级对齐： $X_1$ 和 $X_2$ 原始数据分布之间的 Sinkhorn 散度（ $S^\epsilon_p$ ）。这确保填补值与观测分布保持一致。
聚类正则化：正则化项（ $\alpha S^\epsilon_p$ ），旨在最小化 $X_1$ 和 $X_2$ 的聚类中心之间的 Sinkhorn 散度。

算法流程

初始化： $X_2$ 中的缺失条目使用 $X_1$ 的列均值加上高斯噪声进行初始化。
聚类确定：使用肘部法则（Elbow method）确定参考数据 $X_1$ 的最佳聚类数（ $k$ ），并将其应用于 $X_2$ 。
交替优化：
- 聚类步骤：对 $X_1$ 的采样子集和 $X_2$ 的当前估计值执行 K-means 聚类，以分配聚类标签并计算聚类中心（ $C_1, C_2$ ）。注意，离散分配步骤是不可微的；因此，在梯度更新期间保持分配固定。
- 传输步骤：计算数据样本和聚类中心的 Sinkhorn 散度。
- 更新：通过梯度下降（使用 Adam 优化器）更新 $X_2$ 中的缺失条目，以最小化组合损失。
收敛：该过程迭代进行，直到损失收敛，通常在 150 次迭代内完成。

复杂度

该算法采用小批量处理（采样 $l$ 行）以确保可扩展性。总体时间复杂度为 $O(m_1 \cdot n + T \cdot l^2)$ ，其中 $m_1$ 是参考数据中的细胞数量， $n$ 是特征数量， $T$ 是外部迭代次数， $l$ 是批量大小。这种对数据集大小的线性依赖关系，使其相比全矩阵 OT 方法能够实现显著的速度提升。

3. 主要贡献

新颖框架：引入 CROT，这是首个专门设计用于处理单细胞数据中补丁式缺失（整个模态块）的基于最优传输的填补方法。
结构保持：聚类正则化项的集成确保填补数据能够重现参考数据的细胞类型结构（中心），防止不同细胞身份的坍缩。
高效性：通过利用熵正则化和小批量优化，该方法在大幅减少运行时间（秒级对比基线方法的分钟/小时级）的同时，实现了卓越的填补精度。
稳健评估：在三个真实世界数据集（CITE-seq、Multiome、PBMC）上，针对模拟的补丁式丢失场景进行了全面评估。

4. 实验结果

作者将 CROT 与包括 MAGIC、scImpute、DeepImpute、totalVI、MultiVI 和 SCOTv2 在内的最先进基线方法进行了评估。

数值恢复：在所有三个数据集中，CROT 均取得了最高的皮尔逊相关系数（PCC）以及最低的平均绝对误差（MAE）和均方根误差（RMSE）。例如，在 CITE-seq 数据集上，CROT 实现了 $0.76 \pm 0.04$ 的 PCC 和 $0.47 \pm 0.02$ 的 MAE，优于次优方法（totalVI）。
聚类性能：在细胞类型聚类方面（通过调整兰德指数、归一化互信息和纯度衡量），CROT 始终优于其他方法。在 CITE-seq 上，其 ARI 达到 $0.83 $，纯度达到$ 0.93$，显著高于原始数据或其他填补方法。
生物保真度：可视化（UMAP）和标记蛋白表达分析（例如 CD3、CD14、CD19）证实，CROT 比竞争对手更好地保留了生物异质性和细胞类型特异性特征，而竞争对手通常表现出标记特异性减弱。
计算效率：CROT 展现了卓越的速度，分别在 CITE-seq、Multiome 和 PBMC 数据集上于 5 秒、12 秒和 39 秒内完成填补。这大约仅为平均基线方法所需运行时间的 1–2%。
消融与稳健性：
- 消融研究证实，数据级损失和聚类正则化项对于实现最佳性能都是必要的。
- 敏感性分析表明，该方法对正则化强度（ $\alpha$ ）和聚类数量（ $k$ ）的变化具有稳健性。
- 稳健性测试表明，虽然在部分随机缺失（50-75% 掩码）和聚类组成不匹配（缺失细胞类型）的情况下性能会优雅地下降，但它仍具有竞争力，尽管该方法假设参考数据和目标数据具有相似的生物组成。

5. 意义与主张

该论文声称，CROT 为具有结构化数据缺失的异质、高维数据集的填补提供了稳健的解决方案，解决了传统专注于丢失（dropout）的算法失效的关键空白。

作者强调，通过将最优传输与聚类级正则化相结合，CROT 有效地平衡了数值准确性与生物结构保持。该方法被提出作为一种实用、可扩展的工具，用于大规模多模态单细胞分析，能够恢复通常被噪声或缺失数据掩盖的有意义生物信号（如稀有细胞亚群和发育轨迹）。作者承认了其在显式批次校正方面的局限性，以及依赖于参考数据具有相似生物组成的假设，并建议将这些作为未来改进的方向。