📊 statistics

Nested Atoms Model with Application to Clustering Big Population-Scale Single-Cell Data

该论文提出了一种名为嵌套原子模型（NAM）的贝叶斯非参数方法，通过结合个体层面的基因型数据和细胞层面的基因表达数据，实现了对大规模单细胞数据中个体与细胞的双层联合聚类，从而有效捕捉了嵌套数据的异质性并揭示了具有生物学意义的细胞类型与遗传特征。

原作者： Arhit Chakrabarti, Yang Ni, Yuchao Jiang, Bani K. Mallick

发布于 2026-04-14

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Arhit Chakrabarti, Yang Ni, Yuchao Jiang, Bani K. Mallick

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

这篇论文介绍了一种名为**“嵌套原子模型”（Nested Atoms Model, 简称 NAM）的新方法，专门用来处理一种非常复杂的数据结构。为了让你轻松理解，我们可以把这项研究想象成是在整理一个超级巨大的“细胞图书馆”**。

1. 背景：我们要整理什么？（OneK1K 数据集）

想象一下，科学家收集了来自 982 位不同人（我们可以叫他们“图书管理员”）的血液样本。

每个人（组）：都有自己独特的基因密码（就像每个人的指纹或身份证，这是“组级变量”）。
每个人的细胞（观察值）：每个人体内有几十万甚至上百万个血细胞（这是“观察级变量”）。

这些血细胞里包含了 RNA 信息，告诉我们细胞在做什么（比如是免疫细胞、还是其他类型的细胞）。

现在的挑战是：
我们要同时做两件事：

给细胞分类：把数百万个细胞分成不同的“家族”（比如 T 细胞家族、B 细胞家族）。
给人分类：根据基因和细胞特征，把 982 个人分成不同的“族群”。

难点在于：
以前常用的方法（比如 HDP、nDP 等），就像是一个只懂“看细胞”的图书管理员。他们能根据细胞的样子把细胞分好类，也能把拥有相似细胞的人聚在一起，但是他们完全忽略了每个人的“基因身份证”。这就好比在整理图书馆时，完全不看书作者的国籍或背景，只看书的内容，导致分类不够精准，无法发现“基因相似的人，他们的细胞世界是否也相似”这种深层联系。

2. 解决方案：NAM 模型（聪明的“双核”管理员）

这篇论文提出的 NAM 模型，就像是一个拥有“双核大脑”的超级管理员。

左脑（处理基因）：它先看每个人的基因（SNP 数据）。如果两个人的基因很像，它就觉得这两个人可能属于同一个“大族群”。
右脑（处理细胞）：它再看每个人体内的细胞。它发现，虽然每个人体内的细胞成千上万，但有些细胞类型（比如 B 细胞）是大家都有的“公共资产”。
核心创新（嵌套原子）：
- 以前的模型要么只看细胞，要么强行把基因和细胞绑死。
- NAM 模型设计了一个巧妙的机制：“公共原子”。想象一下，所有的细胞类型（如 T 细胞、B 细胞）就像是一组通用的乐高积木（原子）。
- 每个人（组）都用这组通用的积木搭建自己的城堡（细胞组成）。
- NAM 的厉害之处：它允许不同人使用相同的积木（共享细胞类型），但每个人搭建城堡的比例可以不同（比如 A 人的城堡里 B 细胞多，B 人的城堡里 T 细胞多）。同时，它还会参考每个人的“基因身份证”来决定谁和谁应该被分在同一个“大族群”里。

比喻总结：
以前的方法像是在按“书的内容”把书分类，不管作者是谁。
NAM 方法则是既看“书的内容”，又看“作者的背景”。它发现，虽然所有作者都写小说（共享细胞类型），但来自同一个家族（基因相似）的作者，他们写小说的风格和比例往往更相似。

3. 技术突破：如何跑得动？（变分推断）

这个模型非常复杂，涉及数百万个数据点。如果用传统的计算方法（像慢慢数数一样），可能需要算几百年。
作者开发了一种**“快速估算算法”（变分贝叶斯推断）**。

比喻：这就像是用**“智能搜索引擎”**代替了“人工翻阅每一页”。它不需要精确地算出每一个概率，而是通过优化，快速找到一个“最接近真相”的答案。这使得处理 127 万个细胞的数据成为可能，而且只需要不到一天时间。

4. 实验结果：真的有用吗？

作者用真实的OneK1K 数据（127 万个细胞，982 个人）进行了测试：

分得更准：当把基因数据加进去后，NAM 把人分成了 6 个清晰的族群。而忽略基因数据的旧方法，把人分成了 37 个乱七八糟的族群，这显然不符合生物学常识（毕竟大家都是北欧裔，差异没那么大）。
发现生物学秘密：
- NAM 发现，基因相似的人（同一个族群），他们的细胞组成确实更相似。
- 通过检查细胞里的基因表达，NAM 成功识别出了已知的免疫细胞类型（如 B 细胞、T 细胞），并且发现了一些有趣的规律：比如某些基因在特定族群的特定细胞中表达量很高，这解释了为什么不同人的免疫系统反应可能不同。
自动标签：NAM 甚至能自动给这些细胞“贴标签”，告诉科学家：“嘿，这一堆细胞主要是 B 细胞，它们在负责产生抗体。”这大大减轻了科学家手动分析的工作量。

5. 总结：这为什么重要？

这篇论文就像给生物学家提供了一把**“显微镜 + 基因扫描仪”的合体工具**。

以前：我们只能看到细胞长什么样，或者只能看到人的基因，很难把两者联系起来看。
现在：NAM 模型让我们能同时看到**“基因如何影响细胞”以及“细胞如何反映基因差异”**。

这对于理解疾病（比如为什么有些人对疫苗反应好，有些人反应差）、开发个性化药物具有巨大的潜力。它证明了，在处理这种“人中有细胞，细胞中有基因”的嵌套数据时，必须同时考虑两层信息，才能得到最真实、最有意义的科学发现。

这是一份关于论文《Nested Atoms Model with Application to Clustering Big Population-Scale Single-Cell Data》（嵌套原子模型及其在大规模单细胞数据聚类中的应用）的详细技术总结。

1. 研究背景与问题 (Problem)

研究背景：随着单细胞 RNA 测序（scRNA-seq）成本的降低和通量的提高，研究人员能够获取来自大量个体的海量单细胞数据。这类数据具有天然的**嵌套（Nested）或分层（Hierarchical）**结构：细胞（观测值）被分组到个体（组）中。
数据特征：
- 观测级变量：每个细胞内的基因表达数据（scRNA-seq）。
- 组级变量：每个个体特有的基因型数据（如 SNP）。
- 异质性：数据在细胞层面（细胞类型差异）和个体层面（遗传背景差异）均存在异质性。
核心挑战：现有的分组聚类方法（Grouped Clustering Methods）通常仅利用观测级变量（基因表达），忽略了组级变量（基因型/SNP）。这导致无法有效捕捉由遗传变异驱动的个体间异质性，也无法利用遗传信息来指导细胞类型的聚类。
目标：开发一种能够同时对“个体”和“细胞”进行两层聚类的模型，利用基因表达和基因型数据共同揭示生物异质性。

2. 方法论 (Methodology)

作者提出了嵌套原子模型（Nested Atoms Model, NAM），这是一种新的贝叶斯非参数方法。

2.1 模型架构

NAM 旨在处理嵌套数据 $\{x_j, \{y_{ji}\}_{i=1}^{n_j}\}_{j=1}^J$ ，其中 $x_j$ 是组级变量（如 SNP 主成分）， $y_{ji}$ 是观测级变量（如基因表达主成分）。

联合分布：假设每个组 $j$ 的分布 $G_j = (G_j^x, G_j^y)$ 来自一个超分布 $Q$ 。
组级聚类 (GCs)： $x_j$ 的分布由 $Q$ 中的原子 $\theta_k^x$ 决定，这些原子对应不同的组聚类（Group Clusters, GCs）。
观测级聚类 (OCs)： $y_{ji}$ 的分布由 $Q$ 中的原子 $\theta_l^y$ 决定。
关键创新：
- 共享原子机制：NAM 引入了“公共原子”（Common Atoms）的概念。不同组可以共享相同的观测级原子（即相同的细胞类型），但每个组对这些原子的混合权重可以不同。
- 耦合机制：组级原子 $\theta_k^x$ 与观测级分布 $G_k^{y*}$ 在 $Q$ 中是耦合的。这意味着个体的遗传背景（ $x_j$ ）不仅决定了该个体属于哪个组聚类，还影响了该个体内细胞类型的分布结构。
- 数学形式：
  $G_j^x \sim \sum_{k=1}^\infty \pi_k \delta_{\theta_k^x}$
  $G_j^y \sim \sum_{k=1}^\infty \pi_k G_k^{y*}, \quad \text{其中 } G_k^{y*} = \sum_{l=1}^\infty \omega_{lk} \delta_{\theta_l^y}$
  这里 $\pi$ 控制组聚类， $\omega$ 控制观测聚类。

2.2 理论性质

先验相关性：NAM 的先验相关性结构依赖于组级变量。如果两个个体的 $x_j$ 相似（即 $H_x(A)$ 较大），它们属于同一组聚类的先验概率更高，且其随机测度之间的相关性更强。这克服了现有模型（如 CAM）中先验相关性固定且过强（0.5-1 之间）的局限性，允许相关性在 0 到 1 之间灵活变化。
非平稳性：NAM 的先验相关性是非平稳的，取决于数据所在的集合区域，这更符合生物学中“遗传相似性影响细胞组成”的直觉。

2.3 推断算法 (Scalable Inference)

由于后验分布没有解析解，且数据规模巨大（127 万个细胞，982 个个体），作者开发了**变分贝叶斯推断（Variational Bayesian Inference, VI）**算法：

均值场近似：假设潜在变量相互独立。
截断变分族：为了处理无限维的混合模型，对组聚类数 $K$ 和观测聚类数 $L$ 进行截断（Truncation）。
坐标上升变分推断 (CAVI)：扩展了现有的 VI 框架以适配嵌套数据，通过最大化证据下界（ELBO）来优化变分参数。
可扩展性：算法的时间复杂度与组数 $J$ 和每组观测数 $n_j$ 呈近似线性关系，能够处理百万级数据。

3. 主要贡献 (Key Contributions)

提出 NAM 模型：首个能够同时处理组级变量（如基因型）和观测级变量（如单细胞表达）的贝叶斯非参数嵌套聚类模型。它解决了现有方法无法利用组级信息指导聚类的痛点。
理论分析：推导了 NAM 的先验均值、方差、共聚类概率及相关性结构，证明了其先验相关性依赖于组级变量，具有比 CAM 和 nDP 更灵活的依赖结构。
高效算法：开发了针对大规模嵌套数据的变分推断算法，并提供了截断误差的理论界，证明了截断后验分布收敛于真实后验分布。
实证验证：
- 模拟研究：在多种场景下（不同维度、不同样本量、非高斯分布、部分信息缺失），NAM 在组级聚类（GC）精度上显著优于 CAM 和 fiSAN，同时在观测级聚类（OC）上保持相当的性能。
- 真实数据分析：应用于 OneK1K 数据集（982 人，127 万细胞），成功识别出具有相似遗传背景且细胞类型分布一致的个体群组。

4. 实验结果 (Results)

4.1 模拟研究

聚类精度：在存在组级变量的情况下，NAM 的组聚类调整兰德指数（ARI）达到 1.0（完美），而忽略组级变量的 CAM 和 fiSAN 仅为 0.49 左右。
维度影响：随着组级变量维度增加，NAM 的优势更加明显。
鲁棒性：即使组级变量部分缺失（如缺失 20%），NAM 的组聚类性能仍优于其他方法；在观测级聚类上，NAM 表现稳定。
计算效率：算法在大规模数据上运行高效，中位运行时间随样本量线性增长，且在高维设置下收敛更快。

4.2 OneK1K 真实数据分析

聚类结果：NAM 识别出 6 个个体群组 (GCs) 和 14 个细胞簇 (OCs)。相比之下，忽略 SNP 的 fiSAN 模型识别出了 37 个个体群和 23 个细胞簇，显得过于碎片化且不符合生物学常识（OneK1K 人群遗传背景相对同质）。
生物学一致性：
- 遗传与细胞表型关联：属于同一 GC 的个体（如 GC 40 和 GC 23）显示出相似的细胞类型组成模式，而不同 GC 的个体则表现出显著差异。
- 差异表达基因 (DEG)：
  - 在 OC 2 和 37 中，基因 MS4A1（B 细胞标志物）在特定 GC 中显著高表达，验证了细胞簇的生物学身份。
  - 在 OC 4 中，基因 CSTA（单核细胞来源）表现出特定模式。
- 伪批量分析 (Pseudo-bulk)：通过聚合同一 OC 内的细胞进行差异表达分析，发现不同 GC 的个体即使在相同 OC 内，其基因表达谱也存在显著差异，进一步证实了 GC 划分的生物学意义。
- GO 富集分析：
  - OC 2 富集了 B 细胞受体信号通路等 B 细胞特征。
  - OC 40 富集了 T 细胞受体信号通路等 T 细胞特征。
  - 这些结果与已知的细胞类型注释高度一致，证明了 NAM 能自动捕捉具有生物学意义的细胞亚型。

5. 意义与影响 (Significance)

方法论突破：NAM 填补了贝叶斯非参数聚类在“嵌套数据 + 组级协变量”领域的空白，提供了一种无需预先指定聚类数量的灵活框架。
生物学洞察：该方法成功揭示了遗传变异（SNP）如何影响细胞类型的组成和基因表达模式，为理解“基因型 - 细胞表型”关系提供了强有力的工具。
可扩展性：提出的变分推断算法使得在百万级单细胞数据上应用复杂的贝叶斯模型成为可能，解决了计算瓶颈。
通用性：虽然应用于单细胞数据，但该框架适用于任何具有嵌套结构且包含组级协变量的数据（如多中心临床试验、多地点生态调查等），特别是在缺乏参考标签时，可作为自动化的细胞类型注释流程。

总结：该论文通过提出 NAM 模型，成功地将遗传信息整合到单细胞数据的聚类分析中，不仅提高了聚类的准确性，还揭示了遗传背景对细胞异质性的深层影响，为大规模群体单细胞基因组学研究提供了新的统计工具和生物学见解。