💻 computer science

scGTN: Deep Siamese Graph Transformer Network for Single-cell RNA Sequencing Clustering

该论文提出了 scGTN，一种新型的深度孪生图变换器网络（deep Siamese Graph Transformer Network），通过将基因表达谱与增强图视图及最优传输相结合，解决了单细胞 RNA 测序数据中的稀疏性、噪声和复杂的结构依赖问题，从而实现了卓越的聚类性能。

原作者： Jinke Wu, Yifan Wang, Siyu Yi, Caiyang Yu, Ziyue Qiao, Nan Yin, Jiancheng Lv, Wei Ju

发布于 2026-06-19

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jinke Wu, Yifan Wang, Siyu Yi, Caiyang Yu, Ziyue Qiao, Nan Yin, Jiancheng Lv, Wei Ju

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

想象一下，你正试图组织一个规模宏大、混乱不堪的图书馆，这里的每一本书都是人体中的一个细胞，而书中的“文字”则是基因。你的目标是仅仅通过观察书中所含的文字，就将这些书分类到正确的“流派”中（例如“肝脏细胞”、“免疫细胞”或“胰腺细胞”）。这就是单细胞 RNA 测序 (scRNA-seq) 聚类所面临的挑战。

这篇论文介绍了一种名为 scGTN 的新工具，旨在解决这个分类问题。以下是通过简单的类比对它的工作原理进行的解释：

问题：一个嘈杂且稀疏的图书馆

目前的细胞分类方法存在两个主要缺陷：

“墨迹褪色”问题（稀疏性与噪声）： scRNA-seq 数据就像一个许多页面缺失或墨迹褪色的图书馆（噪声）。如果你只阅读那些清晰可见的文字，你可能会错过整个故事，或者感到困惑。
“孤立读者”问题（忽略结构）： 大多数方法将每本书视为孤立的个体，仅通过比较它们的文字来进行分类。它们忽略了书籍通常会摆放在与其相似的书籍相邻的架子上的这一事实。它们错失了有助于理解大局的“邻里”关系。

解决方案：scGTN（聪明的图书管理员）

作者构建了 scGTN，这是一个深度学习系统，它扮演着一位超级聪明的图书管理员角色，利用两个技巧来完美地组织图书馆。

技巧 1：“双重视角”策略（数据增强）

管理员不仅仅看一次图书馆，而是创建了两个略有不同的版本的图书馆，以确保不会遗漏任何信息：

视图 A（“模糊”副本）： 他们特意在基因文字中加入了一些“静电干扰”或噪声。这模拟了现实世界中数据的杂乱，从而教会系统即使在墨迹褪色的情况下也能保持稳健。
视图 B（“精炼”地图）： 他们观察图书馆的物理布局。他们移除了一些“虚假”的连接（伪造的边），并加强了属于同一类别的书籍之间的“真实”连接。这创造了一张更清晰的细胞间相互关系图谱。

技巧 2：“孪生图变换器”（双胞胎侦探）

该系统使用两个完全相同的“侦探”（孪生网络）来分析这两个视图。

图变换器 (Graph Transformer)： 与以往只能观察直接邻居（比如问：“谁坐在你旁边？”）的方法不同，这个侦探观察的是整个图书馆地图。它计算任何两本书之间的最短路径。
- 类比： 想象你在拥挤的人群中寻找一位朋友。旧的方法只会询问站在你身边的人。而 scGTN 会问：“如果我在人群中穿行，找到我朋友的最快路线是什么？”这有助于它理解房间内深层且隐藏的结构，而不只是谁正肩并肩站在一起。
融合： 两个侦探会互相交换笔记。如果一个看到了另一个错过的模式，它们就会结合彼此的知识，创建一个完美且详细的每个细胞的画像。

技巧 3：“最优传输”（完美的媒人）

一旦系统为每个细胞生成了画像，它就需要进行分组。它使用了一种名为最优传输 (Optimal Transport) 的数学策略。

类比： 想象你有一堆配对错误的袜子（细胞）和一组贴有标签的抽屉（聚类）。与其仅仅把袜子扔进最近的抽屉，媒人会计算将每只袜子移动到其完美抽屉的最有效方式，确保没有抽屉是空的，也没有袜子被强行塞入错误的抽屉。这防止了系统将所有细胞都挤进一个巨大的堆里。

结果：一个井然有序的图书馆

作者在七个不同的生物数据集（如人类胰腺、肝脏和老鼠细胞的库）上测试了 scGTN。

更好的分类： 它始终优于其他十种流行的算法。它不只是在猜测；它以更高的准确度找到了细胞真实的“流派”。
更清晰的图像： 当他们将结果可视化时，细胞组群紧凑且清晰，就像组织良好的书架，而其他方法则会让细胞显得散乱且混杂。
生物学真相： 当他们检查定义每个组别的“热门词汇”（基因）时，scGTN 的分组与已知的生物学事实完美契合。例如，它正确识别了使“胰腺 β 细胞”成为 β 细胞的特定基因，这证明它捕捉到的不仅仅是随机模式，而是真实的生物学真相。

总结

简而言之，scGTN 是一种新的细胞分类方法，它不再将细胞视为孤立的数据点。相反，它将细胞视为一个相互连接的社区，利用“孪生”系统来交叉核对噪声数据，并利用细胞间的“最短路径”来理解它们真实的相互关系。其结果是提供了一张更加精准的细胞世界地图。

技术摘要：scGTN - 用于单细胞 RNA 测序聚类的深度孪生图变换网络

1. 问题定义

单细胞 RNA 测序（scRNA-seq）是用于在细胞水平上分析基因表达的关键技术，能够实现细胞类型的识别并理解细胞异质性。该领域的一个核心任务是细胞聚类，即根据表达模式将细胞组织成具有生物学意义的群体。

尽管已取得进展，但现有方法面临两个主要挑战：

稀疏性与噪声： scRNA-seq 数据存在广泛的丢失效应（dropout effects）和测量噪声，导致高维、稀疏的矩阵。这使得可靠构建细胞关系变得复杂，通常会导致生成的图高度稀疏且充满噪声。
结构利用有限： 当前的图神经网络（GNN）方法主要侧重于局部邻域聚合。它们往往忽略了嵌入在细胞图中的更丰富的结构线索，例如最短路径和节点间距离。因此，它们无法充分利用图固有的信息，导致学习到的细胞相似性高度同质化且难以区分。

2. 方法论：scGTN 框架

作者提出了 scGTN（深度孪生图变换网络），这是一个显式整合基因表达谱和细胞间结构依赖性的框架。该架构由三个主要模块组成：

2.1 双重增强模块

为了减轻稀疏性和噪声的影响，该方法生成了数据的两个互补视图：

基因表达扰动： 向基因表达谱 ( $X$ ) 添加高斯噪声以模拟自然变异。其公式化为 $\tilde{X} = \{x_i \odot m\}$ ，其中 $m$ 是来自高斯分布的随机掩码。
细胞间图结构增强： 从初始的 $k$ $k$ -最近邻（kNN）图中构建两个不同的图视图：
- 视图 1（精炼）： 根据成对余弦相似度移除伪边，以保留具有生物学相关性的连接。
- 视图 2（扩散）： 应用图扩散以在图中传播信息，从而加强有意义的连接。

2.2 孪生图变换网络融合

采用具有权重共享编码器的孪生架构来处理这两个增强视图。与标准 GNN 不同，该模块显式地纳入了结构信息：

基因表达嵌入： 孪生图编码器处理扰动后的基因矩阵 ( $\tilde{X}$ ) 和邻接矩阵 ( $\tilde{A}$ )，以生成初始嵌入。
显式结构嵌入： 为了捕捉复杂的相互关系，模型整合了：
- 位置嵌入： 基于邻居相对于中心节点的亲密度。
- 最短路径嵌入： 显式地对节点间的连接结构进行建模。
变换器精炼（Transformer Refinement）： 这些嵌入（基因 + 位置 + 最短路径）被融合并通过多头自注意力机制进行处理，同时结合前馈网络（FFN）和残差连接。
相关性损失： 引入了特定的损失函数 ( $L_{cor}$ )，通过最大化对角线元素的关联性并最小化非对角线元素的关联性，来防止两个视图之间的特征坍缩和冗余。

2.3 最优传输聚类

聚类任务被表述为一个使用自监督策略的分布对齐问题：

聚类分配： 使用 Student's t-分布来建模细胞嵌入与聚类中心之间的相似性。
目标分布： 对分配概率进行锐化处理，以创建目标分布。
最优传输： 使用最优传输策略将预测的聚类分布与混合比例进行对齐，以确保聚类的鲁棒性并防止退化解（例如，所有细胞都映射到单个标签）。该过程使用带有熵约束的 Sinkhorn 距离方法进行优化。

2.4 整体优化

最终的目标函数结合了四个部分：
$L = L_{clu} + \alpha L_{cor} + \beta L_{rec} + \gamma L_{ZINB}$
其中 $L_{clu}$ 是聚类损失， $L_{cor}$ 是相关性损失， $L_{rec}$ 是用于保持图结构的重构损失（MSE），而 $L_{ZINB}$ 是用于模拟数据稀疏性和过度离散的零膨胀负二项分布（Zero-Inflated Negative Binomial）损失。

3. 主要贡献

本文概述了三个主要贡献：

新视角： 本研究通过综合考虑基因表达谱和细胞图结构来解决 scRNA-seq 聚类问题，利用了超越简单特征级相似性的互补细胞间信息。
新颖方法论： 引入了 scGTN，一个利用孪生图变换网络的框架。该框架显式地整合了更丰富的结构信息，特别是最短路径和节点间距离，以学习具有判别性的细胞表示。
广泛实验： 在多个基准数据集上的全面评估证明了该框架相较于现有方法的卓越性能。

4. 实验结果

作者在七个公开基准数据集（涵盖人类和小鼠的胰腺、肝脏和免疫细胞）上对 scGTN 进行了评估，对比了十种基准方法，包括传统方法（k-means、层次聚类）、深度学习方法（DEC、scDeepCluster）以及基于图的方法（scGNN、scDSC）。

定量性能： scGTN 在所有七个数据集的所有三个指标（准确率 ACC、归一化互信息 NMI 和调整兰德系数 ARI）上均取得了最佳性能。平均而言，它在 ACC 上超过第二名 3.00%，在 NMI 上超过 2.42%，在 ARI 上超过 2.30%。
可视化： 在人类肝脏数据集上的 UMAP 可视化表明，scGTN 生成了高度紧凑且边界清晰的聚类，而基准方法则表现出亚型混合或分布弥散的现象。
生物学验证：
- 差异基因表达（DEG）： 由 scGTN 生成的聚类与基于前 100 个 DEG 的真实细胞类型具有极高的重叠度（>90%）。scGTN 识别出的前 5 个标记基因（例如，胰腺 PP 细胞的 PPY）与金标准排名精确匹配。
- KEGG 通路富集： 该方法成功识别了不同的功能亚群，例如 $\beta$ 细胞的“胰岛素分泌”通路和无颗粒细胞（acinar cells）的“核糖体”通路，证实了其生物学解释性。

5. 重要性与主张

本文声称，scGTN 通过超越局部邻域聚合来捕捉全局结构依赖性，解决了当前方法的关键局限性。通过通过孪生图变换器显式地整合最短路径信息和节点间距离，该模型学习到了更具判别性和鲁棒性的嵌入。作者断言，这种方法有效地处理了 scRNA-seq 数据固有的稀疏性和噪声，与现有的基于图和深度学习的聚类框架相比，为细胞类型识别和生物学解释提供了更准确的工具。