GatorSC: Multi-Scale Cell and Gene Graphs with Mixture-of-Experts Fusion for Single-Cell Transcriptomics

本文提出了 GatorSC，一种基于多尺度细胞与基因图及专家混合融合机制的自监督表示学习框架，通过整合异构图视图并联合图重构与对比学习，在单细胞转录组数据的聚类、插补、注释及轨迹推断等任务中显著优于现有最先进方法。

要点

这篇论文介绍了一个名为 GatorSC 的新工具，它就像是一个超级智能的“细胞翻译官”，专门用来解读单细胞 RNA 测序（scRNA-seq）产生的海量数据。

为了让你更容易理解，我们可以把这项技术想象成是在整理一个超级混乱的图书馆。

1. 背景：为什么我们需要它？

想象一下，你走进一个巨大的图书馆（这就是单细胞数据）。

• 混乱：这里有成千上万本书（细胞），每本书里都有成千上万个单词（基因）。
• 缺失：很多书页被撕掉了，或者字迹模糊不清（这就是数据中的“噪声”和“缺失值”，在生物学上叫“dropout"）。
• 复杂：有些书看起来很像，但其实是不同的；有些书虽然内容不同，但属于同一个系列。

以前的方法就像是一个笨拙的图书管理员，他要么只按书的大小分类（只看细胞），要么只按书名分类（只看基因），而且面对缺失的书页时，他经常猜错。这导致他很难把真正属于同一类的书聚在一起，也很难把撕掉的书页补全。

2. GatorSC 是怎么工作的？（它的三大绝招）

GatorSC 不像普通管理员那样死板，它有三个独特的“超能力”：

第一招：建立“三层地图” (多尺度图建模)

普通的图书管理员只看一张平面图。GatorSC 则绘制了三张不同视角的地图，把信息拼凑得更完整：

1. 全球地图（细胞 - 细胞图）：它先看整个图书馆，把长得像的书（相似的细胞）放在一个大圈里。这就像看“人群”，知道哪些人是一伙的。
2. 基因关系网（基因 - 基因图）：它不看具体的书，而是看书里的“词汇”。它发现有些词（基因）总是成对出现，就像“猫”和“鱼”总是一起出现。这能帮它理解书背后的逻辑。
3. 邻里小地图（局部基因图）：这是最聪明的地方。它不仅看整体，还看小圈子。比如，在“儿童区”（某种特定细胞环境）里，“猫”和“鱼”的关系可能和“成人区”不一样。GatorSC 能捕捉到这种特定环境下的细微差别。

第二招：聘请“专家顾问团” (混合专家模型 MoE)

以前，管理员可能只请了一个专家，让他决定所有书怎么分类。如果这个专家不擅长分类“医学书”，那医学书就全乱了。

GatorSC 请了一个专家顾问团：

• 专家 A 擅长看“全球地图”。
• 专家 B 擅长看“基因关系网”。
• 专家 C 擅长看“邻里小地图”。

最关键的是，GatorSC 有一个聪明的“调度员”（门控网络）。当遇到一本“医学书”时，调度员会立刻说：“这次主要听专家 B 的意见，专家 A 稍微参考一下。”当遇到一本“儿童书”时，调度员又会说：“这次专家 C 最重要。”
比喻：这就像你去医院看病，如果是骨折，骨科医生说了算；如果是感冒，呼吸科医生说了算。GatorSC 能根据具体情况，动态决定听谁的意见，而不是死板地平均分配。

第三招：自我学习的“侦探” (自监督学习)

这个图书馆里没有标签（不知道哪本书属于哪个类别），普通的老师没法教。
GatorSC 是个自学成才的侦探。它通过两种游戏来学习：

1. 拼图游戏（图重构）：它故意把一些书页撕掉或打乱，然后尝试把它们拼回去。如果拼得准，说明它真的读懂了书的结构。这能帮它修复缺失的数据。
2. 找不同游戏（对比学习）：它把同一本书的不同版本（比如稍微修改过的）放在一起，强迫自己认出“这是同一本书”，同时认出“那本是不同的书”。这能帮它排除干扰，抓住核心特征。

3. 它做到了什么？（实际效果）

经过在 19 个真实数据集上的测试，GatorSC 表现得像是一个天才图书管理员：

• 分群更准（细胞聚类）：它能更精准地把相似的细胞聚在一起，就像能把“苹果”和“梨”分得清清楚楚，哪怕它们长得有点像。
• 补全更准（基因表达填补）：面对缺失的书页，它能更准确地猜出原本写的是什么，把模糊的字迹变清晰。
• 识别更准（细胞类型注释）：它能准确地说出：“这堆书是‘神经元’，那堆是‘免疫细胞’"，甚至比很多需要人工教它的旧方法还要准。
• 发现新故事（轨迹与疾病分析）：
  • 它能画出细胞的“成长路线图”（比如一个干细胞如何一步步变成成熟细胞）。
  • 在阿尔茨海默病的研究中，它成功地在复杂的脑细胞数据中，找出了不同细胞类型在患病时的具体变化，甚至发现了一些以前没注意到的“幕后黑手”（特定的信号通路）。

总结

简单来说，GatorSC 就是一个懂变通、会自学、眼光毒辣的超级工具。它不再把细胞数据看作一堆乱码，而是通过构建多层次的“关系网”，并灵活地听取不同“专家”的意见，从而在充满噪声和缺失的数据中，还原出生命最真实的模样。

对于科学家来说，这意味着他们能更清楚地看清细胞世界的细节，从而更快地找到治疗疾病的方法。

技术摘要

这是一份关于论文 GatorSC: Multi-Scale Cell and Gene Graphs with Mixture-of-Experts Fusion for Single-Cell Transcriptomics 的详细技术总结。

1. 研究背景与问题 (Problem)

单细胞 RNA 测序 (scRNA-seq) 技术虽然能够以高分辨率表征细胞异质性，但其数据分析面临巨大挑战：

• 数据特性复杂：表达矩阵具有高维、极度稀疏（由于普遍存在的 Dropout 现象）以及显著的技术噪声。
• 多尺度结构未被充分利用：scRNA-seq 数据在多个尺度上包含互补的结构信息，包括：
  • 细胞间的全局关系（Global cell-cell relationships）。
  • 基因间的功能依赖（Functional dependencies among genes）。
  • 特定细胞邻域内的上下文相关基因程序（Context-specific gene programs）。
• 现有方法的局限性：
  • 大多数现有方法未能在一个统一的表示中联合建模细胞和基因的多尺度结构。
  • 当结合多个图视图时，通常采用固定的融合策略（如拼接或均匀平均），无法根据数据集或单个细胞的特性自适应地调整各视图的贡献权重。
  • 自监督目标通常侧重于重建或对比学习中的某一方面，难以同时保留图拓扑结构、去噪表达并强制潜在空间中的语义一致性。

2. 方法论 (Methodology)

GatorSC 是一个统一的表示学习框架，旨在通过分层图建模、混合专家 (MoE) 融合架构以及双重自监督学习来解决上述问题。

2.1 分层图建模 (Hierarchical Graph Modeling)

GatorSC 从 scRNA-seq 数据中构建三个层次的图，以捕捉不同尺度的生物结构：

1. 全局细胞 - 细胞图 (Global Cell-Cell Graph, $G^{(1)}$)：
   • 基于基因表达矩阵，利用多头注意力机制计算细胞间的相似度，构建邻接矩阵。
   • 捕捉数据集的群体级组织架构和全局相似性模式。
2. 全局基因 - 基因图 (Global Gene-Gene Graph, $G^{(2)}$)：
   • 基于转置的基因表达矩阵，利用多头注意力机制计算基因间的功能依赖。
   • 捕捉跨细胞类型的稳健基因关联，提供功能视角的补充。
3. 局部基因 - 基因图 (Local Gene-Gene Graph, $G^{(3)}$)：
   • 基于全局细胞图提取子图（每个节点的 $k$-hop 邻居）。
   • 在每个子图内重新计算基因相似度，构建上下文特定的基因图。
   • 捕捉特定细胞微环境下的细粒度、上下文依赖的基因相互作用。

2.2 基于混合专家 (MoE) 的自适应融合

为了融合上述三种异构的图表示，GatorSC 引入了混合专家 (Mixture-of-Experts, MoE) 机制：

• 专家网络：为每个图视图（$G^{(1)}, G^{(2)}, G^{(3)}$）分配一个专门的专家网络（基于 GCN 和 MLP），学习各自的节点嵌入 $Z^{(i)}$。
• 门控网络 (Gating Network)：根据输入样本的特征，动态计算每个专家的权重概率分布。
• 自适应融合：将专家输出加权求和，生成统一的细胞表示 $\tilde{Z}$。这使得模型能够针对不同数据集或细胞群体，自适应地侧重最具信息量的结构信号。

2.3 统一的自监督学习 (Unified Self-Supervision)

模型在无标签的情况下，通过结合图重建和图对比学习进行端到端优化：

• 图增强：通过随机游走进行边删除和添加，生成结构扰动后的增强图视图。
• 图重建损失 (Generative Objective)：
  • 包括边预测（区分正负样本对）和图结构重建。
  • 旨在恢复缺失的连接，增强模型对噪声和稀疏数据的鲁棒性，并保留结构保真度。
• 图对比损失 (Contrastive Objective)：
  • 定义正样本对（原始图中的邻居、增强图中的对应节点等）和负样本对。
  • 最大化正样本对的相似度，最小化负样本对的相似度。
  • 旨在学习对噪声不变且具有判别力的表示，提升聚类性能。
• 总目标函数：将细胞级和基因级图的重建与对比损失加权结合，无需细胞类型标签即可训练。

3. 主要贡献 (Key Contributions)

1. 统一的多尺度建模框架：首次在一个框架内联合建模了全局细胞结构、全局基因网络和局部上下文依赖的基因网络，解决了现有方法难以关联特定基因程序与细胞流形区域的问题。
2. 自适应 MoE 融合机制：摒弃了固定的融合策略，利用门控网络动态调整不同图视图的权重，显著提升了模型在不同数据集和细胞亚群上的适应性。
3. 双重自监督策略：创新性地耦合了图重建（保留拓扑和去噪）与对比学习（增强语义一致性），在无监督条件下实现了更鲁棒的嵌入学习。
4. 广泛的基准测试：在 19 个公共 scRNA-seq 数据集上进行了全面评估，涵盖多种组织、物种和测序平台。

4. 实验结果 (Results)

GatorSC 在以下任务中均表现出优于现有最先进 (SOTA) 方法（包括深度生成模型、基于图的方法、对比学习方法及传统聚类算法）的性能：

• 细胞聚类 (Cell Clustering)：
  • 在 14 个基准数据集上，GatorSC 在调整兰德指数 (ARI)、归一化互信息 (NMI)、聚类准确率 (ACC) 和同质性 (Homogeneity) 指标上 consistently 达到最佳或次佳水平。
  • 特别是在细胞类型复杂、异质性高的数据集（如 Global 和 Pancreas）上优势明显。
• 基因表达插补 (Gene Expression Imputation)：
  • 在 10% 至 50% 的模拟 Dropout 率下，GatorSC 在皮尔逊相关系数 (PCC) 和 L1 误差上表现优异。
  • 随着 Dropout 率增加，其他方法性能大幅下降，而 GatorSC 保持稳健，证明其能有效利用局部和全局转录组结构推断缺失值。
• 细胞类型注释 (Cell-Type Annotation)：
  • 在有标签数据集上，GatorSC 的 F1 分数、准确率和 MCC 均优于或持平于主流监督/半监督分类器（如 scDeepSort, CellTypist, scANVI）。
• 下游生物学分析：
  • 轨迹推断：在 Binary Tree 8 数据集上，成功重构了发育轨迹，准确识别了分支结构和伪时间顺序。
  • 标记基因分析：在 Quake 膈肌数据集中，准确恢复了已知的谱系特异性标记基因表达模式。
  • 阿尔茨海默病 (AD) 应用：在人类内嗅皮层单核 RNA-seq 数据中，成功分离了主要脑细胞群，并揭示了 AD 相关的细胞类型特异性通路改变（如 MAPK 信号通路在少突胶质细胞中的特异性抑制）。

5. 意义与影响 (Significance)

• 理论创新：GatorSC 证明了将多尺度图结构（细胞和基因）与自适应融合机制（MoE）相结合，能够显著提升单细胞数据的表示学习能力。
• 实用价值：作为一个灵活的框架，GatorSC 不仅适用于标准的聚类、插补和注释任务，还能支持轨迹推断、标记基因发现和疾病机制研究。
• 扩展性：该框架设计灵活，易于扩展到多组学 (Multi-omic) 和空间转录组 (Spatial Transcriptomics) 模态，为未来的单细胞分析提供了坚实的基础。
• 开源贡献：代码已开源，促进了社区对复杂单细胞数据结构的深入探索。

综上所述，GatorSC 通过创新的架构设计，有效解决了单细胞转录组数据分析中的噪声、稀疏性和多尺度结构利用不足的问题，为生物医学研究提供了强有力的计算工具。