Classification with Missing Data - A NIFty Pipeline for Single-Cell Proteomics

本文介绍了 NIFty，一种基于成对特征选择的单细胞蛋白质组学分类流程，它无需数据预插补、避免了循环分析并能在不校正批次效应的情况下克服批次影响，从而在多种挑战性数据集上实现了准确且高效的细胞类型分类。

要点

这篇论文介绍了一个名为 NIFty 的新工具，它专门用来解决单细胞蛋白质组学（Single-Cell Proteomics）中一个非常头疼的问题：如何给没有标签的细胞“贴标签”（分类），同时避开数据中的各种坑。

为了让你更容易理解，我们可以把这项研究想象成在一个巨大的、混乱的图书馆里，给成千上万本没有书名的书进行分类。

1. 背景：为什么我们需要这个工具？

想象一下，你有一堆来自不同地方、不同时间、甚至不同印刷厂印出来的书（这就是单细胞蛋白质数据）。

• 目标：你想把这些书按类型分好（比如：这是“科幻小说”，那是“历史书”）。
• 现状：大多数书封面上没有名字（没有标签），你需要靠内容来猜。
• 困难：
  1. 缺页问题（Missing Data）：很多书缺了几页，或者有些章节完全空白。以前的方法必须先把这些空白填上（这叫“插补”），但这就像瞎编乱造，可能会把书的内容搞错。
  2. 双重作弊（Double Dipping）：以前的方法在分类时用了书里的内容，结果在后续分析时又用同样的内容来证明分类是对的。这就像考试时既当出题人又当监考，还自己给自己打分，结果肯定不可信。
  3. 印刷差异（Batch Effects）：因为书是不同印刷厂印的，纸张颜色、字体大小都不一样。以前的方法很难区分这是“书的内容不同”还是“印刷厂不同”。

2. NIFty 的绝招：不填坑，只比大小

NIFty 的核心思想非常聪明，它改变了我们“看书”的方式。

传统方法 vs. NIFty 方法

• 传统方法（数数法）：
  以前的方法会数：“这本书里‘魔法’这个词出现了 10 次，那本书里出现了 5 次”。

  • 问题：如果那本书缺页了，或者印刷厂把“魔法”印成了“魔发”，你就没法比了。而且，不同印刷厂的“10 次”可能代表的含义完全不同。

• NIFty 方法（比大小法）：
  NIFty 不关心具体的数字，它只关心两本书里内容的相对关系。
  它制定规则，比如：“如果这本书里‘魔法’出现的次数 多于 ‘龙’，那就是科幻小说”。

  • 优势 1（无视缺页）：如果“龙”那页缺了，但“魔法”还在，规则依然成立（有龙 > 无龙 = 真）。如果两个都缺了，规则就跳过。它不需要把缺页补上，直接就能用。
  • 优势 2（无视印刷差异）：不管印刷厂把字体放大还是缩小，只要“魔法”比“龙”多，这个关系就不变。所以，不同批次、不同实验室的数据也能直接混在一起用。
  • 优势 3（拒绝作弊）：因为它是在每一本书内部比较（魔法 vs. 龙），而不是拿这本书去跟那本书比（魔法总数 vs. 魔法总数）。这样，分类用的规则就不会污染后续的分析，避免了“双重作弊”。

3. 它是如何工作的？（三步走）

1. 筛选规则（找线索）：
   NIFty 会生成成千上万条“如果 A 比 B 多，就是 X 类”的规则。它会像侦探一样，找出那些最能区分不同类别的规则（比如：只有“科幻小说”里“魔法”才比“龙”多，而“历史书”里永远相反）。
2. 去重（挑精华）：
   规则太多了，它会把那些重复的、没用的规则扔掉，只留下最独特、信息量最大的几条。
3. 训练模型（当老师）：
   用这些精选的规则训练一个“老师”（机器学习模型）。这个老师学会了：“只要看到‘魔法 > 龙’，就喊‘这是科幻小说’！”

4. 实验结果：它真的好用吗？

作者用了很多真实的数据来测试 NIFty，结果非常棒：

• 缺页也能读：即使不给书补全缺页（不插补数据），NIFty 的分类准确率甚至比补全了数据的传统方法还要高，或者至少一样好。
• 乱印也能分：即使把不同印刷厂（不同批次）的书混在一起，完全不进行特殊的“校正”，NIFty 依然能分得清清楚楚。
• 多分类也没问题：它不仅能分两类（科幻 vs. 历史），还能分很多类（科幻、历史、传记、诗歌等），就像给细胞发育的不同阶段（第 0 天、第 2 天...第 21 天）精准贴标签。

5. 总结与意义

NIFty 就像是一个不需要修书、不挑印刷厂、也不作弊的超级图书管理员。

• 它的口号是：“永远不要为了分类而强行填补数据”（Never Impute Features, thank you）。
• 它的价值：它让科学家能够更轻松地利用全球各地的单细胞蛋白质数据（就像建立一个全球图书馆），构建一个强大的“细胞图谱”。以前因为数据太乱、缺页太多、批次太多而无法合并的数据，现在都可以放心地放在一起分析，从而更准确地理解生命的奥秘。

简单来说，NIFty 让复杂的蛋白质数据分析变得更简单、更诚实、更强大。

技术摘要

这篇论文介绍了一种名为 NIFty (Never Impute Features, thank you) 的新型单细胞蛋白质组学（Single-Cell Proteomics, SCP）细胞分类与注释流程。该工具旨在解决当前基于机器学习的细胞注释方法中存在的三个主要统计和计算挑战。

以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

单细胞蛋白质组学在细胞类型表征、轨迹推断和微环境映射方面具有独特优势。然而，现有的数据驱动型细胞注释方法（如聚类和分类器）存在以下三个主要缺陷：

• 双重使用（Double Dipping）： 传统方法通常使用蛋白质丰度作为特征进行聚类或分类，随后又在下游分析（如差异表达分析）中再次使用相同的丰度数据。这种循环分析会导致统计显著性被人为夸大，产生无效结果。
• 缺失值插补（Missing-Value Imputation）： 单细胞蛋白质组数据中存在大量缺失值（由于检测限以下或随机性）。传统机器学习算法要求数据完整，因此必须在分类前进行插补。然而，SCP 中缺失值的来源复杂，插补过程不仅困难，还可能掩盖真实的生物学变异或引入偏差。
• 批次效应（Batch Effects）： 不同实验、仪器或处理流程产生的批次效应使得蛋白质丰度在不同样本间不可直接比较。这限制了基于外部数据训练的模型的准确性，因为模型通常假设所有样本的测量值是可比的。

2. 方法论 (Methodology)

NIFty 的核心创新在于其特征生成与选择策略，它基于最高得分对（Top-Scoring Pairs, TSP） 的概念进行了改进，专门针对蛋白质组学数据进行了优化。

• 特征定义（样本内比较）：

  • 传统方法比较不同样本间同一蛋白的丰度。
  • NIFty 比较单个样本内两种蛋白的相对丰度。特征被定义为二元规则，例如“蛋白 A > 蛋白 B"。
  • 如果规则成立，特征矩阵记为 1，否则为 0。
  • 优势： 由于比较是在样本内部进行的，不同样本间的绝对丰度差异（即批次效应）不再影响特征判断，从而无需进行批次校正。

• 处理缺失值（无需插补）：

  • NIFty 重新定义了规则逻辑，允许处理缺失数据。规则不仅包含“蛋白 A > 蛋白 B"，还包含“蛋白 A 存在且蛋白 B 缺失”的情况。
  • 通过这种机制，即使原始定量数据矩阵不完整，也能生成完整的二元特征矩阵，完全消除了对缺失值插补的需求。

• 特征选择流程：

  1. 过滤： 剔除缺失率过高的蛋白质（默认阈值 50%）。
  2. 规则生成： 生成剩余蛋白质所有可能的配对规则。
  3. 评分（Scoring）： 计算每个规则区分特定细胞类别的能力（基于规则在某一类中为“真”的比例减去在另一类中为“真”的比例的绝对值）。
  4. 显著性检验（Permutation Testing）： 利用置换检验生成 P 值。由于特征矩阵是二元的，NIFty 采用了一种高效的分箱（binning）策略来构建零分布，避免了传统置换检验的高计算成本。
  5. 互信息过滤（Mutual Information）： 在排序后的规则中，剔除与其他已选规则共享高互信息的规则，确保选出的特征集提供独特的信息，避免冗余。
  6. 模型训练： 使用选出的最佳规则集训练支持向量机（SVM）或随机森林（Random Forest）分类器。

3. 关键贡献 (Key Contributions)

• 首个针对蛋白质组学优化的 TSP 实现： 解决了传统 TSP 在蛋白质组数据中面临的特征数量爆炸和缺失值处理问题。
• 无需插补（No Imputation）： 证明了在存在大量缺失值的单细胞蛋白质组数据上，直接进行分类是可行且准确的，避免了插补带来的偏差。
• 避免双重使用（No Double Dipping）： 通过样本内比较生成特征，使得特征选择过程与下游的差异表达分析完全解耦，保证了统计推断的有效性。
• 抗批次效应（Batch Effect Robustness）： 无需复杂的批次校正算法，即可在不同批次、不同实验室的数据间进行有效的模型迁移和分类。

4. 实验结果 (Results)

研究团队在多个单细胞蛋白质组数据集上测试了 NIFty，涵盖了多种场景：

• 缺失数据测试（Imputed vs. Unimputed）：
  • 在多个数据集（如 Leduc et al., Montalvo et al. 等）上，对比了插补数据与未插补数据的分类准确率。
  • 结果： 在样本量充足（每类 50 个以上）的情况下，NIFty 在未插补数据上的表现与插补数据相当甚至略优。这表明插补并非必要步骤，且可能引入噪声。
• 批次效应测试（Batch Effects）：
  • 使用了 HUPO 单细胞倡议（HUPO SCI）提供的包含 8 个不同批次的数据集。
  • 结果： 在未经过跨运行归一化（non-normalized）的数据上，NIFty 的分类准确率与经过归一化的数据相当或更好。特别是在训练批次较少（3 个以下）时，未归一化数据表现更佳。这证明了 NIFty 对批次效应具有天然的抵抗力。
• 多分类测试（Multiclass Data）：
  • 在 Ai et al. 的 iPSC 分化时间序列数据（5 个时间点）上测试。
  • 结果： 采用“一对多”（One-vs-Rest）策略，NIFty 能够准确区分大部分发育阶段。对于分化程度较高的第 10 天和第 21 天（均为心肌细胞），分类存在一定混淆，但整体准确率依然很高（大部分阶段准确率 >90%）。

5. 意义与影响 (Significance)

• 推动单细胞蛋白质组学图谱（Atlas）的构建： 随着单细胞蛋白质组通量的增加，构建大规模细胞图谱成为可能。NIFty 解决了跨实验室、跨批次数据整合的关键障碍，使得利用公共数据构建鲁棒的参考模型成为现实。
• 简化分析流程： 研究人员不再需要花费大量精力进行数据插补和复杂的批次校正，可以直接使用原始定量数据进行细胞注释。
• 提高下游分析的可靠性： 通过消除“双重使用”问题，确保了从细胞注释到差异表达分析整个工作流的统计严谨性。
• 数据兼容性建议： 论文指出，由于 TMT（同重子）标记数据在样本间进行了归一化，破坏了样本内的相对丰度关系，因此不适合直接用于基于 NIFty 的图谱构建，而数据非标记（Label-free）数据是构建此类图谱的理想选择。

综上所述，NIFty 提供了一个高效、统计严谨且无需数据插补的解决方案，极大地提升了单细胞蛋白质组学数据在细胞类型鉴定和大规模图谱构建中的实用性和准确性。