scDiagnostics: systematic assessment of cell type annotation in single-cell transcriptomics data

想象一下你是一名正在拥挤房间里寻找嫌疑人的侦探。你有一个巨大的、完美的相册（参考数据集），里面记录着已知的人：面包师、消防员、教师和医生。同时，你还有一个实时视频监控画面（查询数据集），你需要为其中的人群进行标注。

通常，科学家会使用一种“标签转移”工具来将视频中的人与相册中的照片进行匹配。这就像是一个超快速的机器人，它会说：“这个人看起来有99%像照片里的面包师，所以他是个面包师！”

但问题在于：如果视频中的人根本不是面包师怎么办？如果他是一个赛博面包师，刚刚被一种病毒感染，导致全身发出蓝光并说着二进制语言呢？机器人只观察“面包师”的特征，它可能仍会自信地宣布：“面包师！”因为它并不知道“赛博”长什么样。它会将这个奇怪的新人强行塞进最接近的现有框框里，即便那个框框并不合适。这就是在单细胞生物学中，当研究人员试图用一份健康的相册去标注来自病患的细胞时所发生的情况。

scDiagnostics 应运而生。请把 scDiagnostics 想象成不是一个“贴标签器”，而是一个**“怀疑度计”**。它不尝试猜测细胞的名字，而是检查该细胞是否真的符合它被赋予的名字的描述。

scDiagnostics 的三大超能力

作者构建这个工具是为了发现那些被“强行”归入不属于自己的类别的细胞。他们使用了三个聪明的技巧：

1. 魔镜（投影/Projection）： 想象一下将视频中的人群投影到相册的平面布局上。如果视频中的“面包师”正好落在相册中“面包师”的位置上，那么一切正常。但如果一群细胞落在了一个奇怪的、空旷的角落，远离了它们所属的群体，scDiagnostics 就会拉响红旗。
2. 双胞胎测试（对齐/Alignment）： 这项测试检查视频中的“面包师”是否真的看起来像相册里的“面包师”。他们的身高、体重和风格是否一致？如果视频里的“面包师”突然穿着太空服（这是疾病的迹象），这项测试就能发现这种不匹配。
3. 异常值雷达（异常检测/Outlier Detection）： 这是最令人兴奋的部分。它使用一种特殊的算法（称为孤立森林/isolation forest）来寻找那些“怪人”。它会问道：“谁正独自站在角落里？”在论文的测试中，这个雷达成功标记出了标准工具所错过的细胞。

大考：模拟实验与现实生活

作者不仅是凭空猜测这套方法有效，还对其进行了严格的测试。

首先，他们玩了一场模拟数据的游戏。
他们创造了一个包含三种细胞类型（A、B 和 C）的模拟世界。然后，他们在“相册”（参考集）中隐藏了细胞类型 C，但将其保留在“视频”（查询集）中。当标准机器人尝试为视频进行标注时，它强行让缺失的 C 细胞假装成 A 或 B。

• 结果： scDiagnostics 立即发现了问题。这些虚假的“C”细胞获得了很高的“怀疑得分”，因为它们在任何地方都不契合。论文显示，在这些模拟实验中，该工具可以清晰地分离出真实的匹配项和被强行归类的项。

接着，他们处理了一个现实世界的谜团：COVID-19。
他们提取了健康人的血液细胞（相册）并将其与 COVID-19 患者的血液细胞（视频）进行对比。

• 谜团： 标准工具将一组特定的免疫细胞（CD14+ 单核细胞）标注为“健康单核细胞”。
• 转折： scDiagnostics 将其中一部分细胞标记为“异常”。当作者进一步观察时，他们发现这些“异常”细胞实际上是高度活跃的、对抗病毒的机器，正在大量产生干扰素（一种警告信号）。
• 证据： 如果没有使用 scDiagnostics，你就会错过这一点。你会将健康的细胞与这些超级强化的病毒细胞混合在一起，从而稀释了信号。论文发现，这些“异常”细胞在名为 IFI6 的基因上的表达变化（log2-fold change）为 2.30，而看起来“正常”的细胞变化仅为 0.49。如果没有这个工具，这种巨大的差异将被掩盖。

最后，他们观察了一只肚子疼的小鼠（结肠炎）。
利用一种能看到组织中细胞位置的高科技显微镜（MERFISH），他们观察了一只肠道发炎的小鼠。

• 发现： 标准工具看到了许多“成纤维细胞”（支持性细胞）。scDiagnostics 则捕捉到了一个行为异常的特定成纤维细胞群。
• 背景： 这些“奇怪”的成纤维细胞紧挨着入侵的免疫细胞（中性粒细胞）和受损的组织。而健康的成纤维细胞则留在它们本该待着的干细胞附近。
• 影响： 通过将“生病的”成纤维细胞与“健康的”成纤维细胞分开，作者能够看到生病的细胞正在向免疫细胞发送不同的化学信息（如 Il1b 和 Cxcl5），而健康的细胞则发送着不同的信号（如 Wnt5a）。这种邻里关系的重构，在没有 scDiagnostics 进行拆分之前是不可见的。

scDiagnostics 不是什么

了解这个工具不做什么也很重要。

• 它并不取代那些提供标签的工具（如 SingleR、Azimuth 或 CellTypist）。它是与它们协同工作的。
• 它并不会神奇地知道这个新细胞到底是什么。它只是说：“嘿，这个标签不太对劲！”
• 论文明确反对那种认为标准工具的高“置信度得分”就意味着标签正确的观点。在 COVID-19 的例子中，标准工具非常自信（高分）地认为这些细胞是健康单核细胞，但它们错了。scDiagnostics 证明了仅靠置信度是不够的。

核心结论

这篇论文表明，随着我们分析的细胞越来越多，我们不能仅仅盲目信任负责标注的机器人。有时，细胞正在做一些新的、生病时的或我们从未见过的行为。

scDiagnostics 就像是一个安全网。它捕捉那些被强行塞进错误框框里的细胞。在模拟实验中，它表现出了极高的灵敏度和特异性。在真实的 COVID-19 和结肠炎数据中，它揭示了此前被隐藏的疾病信号。作者希望这个工具能成为侦探工具箱中的标准配置，确保当我们说一个细胞是“类型 A”时，我们是真的确定它属于那里，而不仅仅是因为我们没有其他选择了。

而且最棒的是？它是免费、开源的，随时准备好供任何人用来检查自己的研究成果。