Systematic clustering alignment and feature characterization for single-cell omics using ACE-OF-Clust

本文介绍了 ACE-OF-Clust，这是一种用于单细胞组学数据的四步工作流工具，旨在通过解决聚类对齐问题、整合硬聚类与混合成员聚类结果、比较模型一致性并识别特征基因，从而提升细胞类型识别的可解释性、灵活性与鲁棒性。

要点

这篇论文介绍了一个名为 ACE-OF-Clust 的新工具，它就像是一个单细胞数据分析领域的“超级翻译官”和“智能整理师”。

为了让你更容易理解，我们可以把单细胞测序（scRNA-seq）想象成在一个巨大的音乐厅里，有上万个乐手（细胞）在演奏。我们的目标是把这些乐手按他们演奏的曲风（细胞类型）分组。

1. 现有的难题：混乱的乐谱

以前，科学家们试图给这些乐手分组时，经常遇到三个大麻烦：

• 标签乱飞（Label Switching）： 就像你让两个不同的指挥家（算法）去指挥同一群乐手。指挥家 A 把“摇滚组”叫作"1 号组”，指挥家 B 却把“摇滚组”叫作"5 号组”。虽然分的内容一样，但名字不一样，导致你没法直接比较谁分得对。
• 结果摇摆（Stochasticity）： 即使是同一个指挥家，今天心情好和明天心情不好，分出来的结果也可能不一样。有时候“摇滚组”被分得很细，有时候又被合并了。
• 硬分组 vs. 软分组： 传统的分组是“硬”的，一个乐手只能属于一个组（非黑即白）。但现实是，有些乐手可能既像摇滚又像爵士（过渡状态），这种“混合身份”很难用硬分组捕捉。

这就导致科学家们在研究时，往往只跑一次分析，就敢下结论，但这就像只拍了一张照片就断定整个电影的情节，很容易漏掉重要细节。

2. ACE-OF-Clust 的解决方案：四步走战略

ACE-OF-Clust 就像是一个智能整理工具箱，它通过四个步骤来解决上述混乱：

第一步：多跑几次（Multiple Clustering）

它不满足于只跑一次。它会让不同的“指挥家”（算法）反复排练，甚至让同一个指挥家换不同的心情（随机种子）多跑几次。这就像是为了看清乐手的真实分组，我们拍了 10 张不同的照片，而不是只拍一张。

第二步：对齐乐谱（Clustering Alignment）

这是它的核心魔法。它能把所有混乱的照片整理好：

• 它会自动发现：哦，虽然指挥家 A 叫"1 号组”，指挥家 B 叫"5 号组”，但它们其实都是“摇滚组”。
• 它能把不同数量的组（比如有的分 5 组，有的分 10 组）进行对齐。就像把一张大地图和一张小地图叠在一起，看看哪些区域是重合的，哪些是新出现的。
• 比喻： 就像把一堆乱序的拼图碎片，自动拼成几幅完整的、可以互相比较的画作。

第三步：找出“关键乐手”（Feature Characterization）

分组分好了，但为什么这么分？哪些基因（乐手）起了决定性作用？

• 以前的方法只找“最特别”的基因（比如只在摇滚组出现的）。
• ACE-OF-Clust 发明了一种新的**“聚类画像”（Clustering Profile）。它不看单个基因有多特别，而是看这个基因在所有组**里的分布模式。
• 比喻： 就像不仅看谁唱得最高音，还要看谁在“摇滚”和“爵士”切换时，声音变化最剧烈。它能找出那些虽然不“特别”，但在区分不同群体时最关键的基因。

第四步：多组学联姻（Multi-omic Comparison）

现在的研究不仅看基因（RNA），还看染色质（ATAC）。ACE-OF-Clust 可以把这两套数据放在一起看。

• 它能发现：虽然基因 A 和染色质区域 B 在物理位置上离得很远（不在同一个房间），但它们在“分组”时的表现惊人地一致。
• 比喻： 就像发现虽然鼓手和吉他手坐在舞台的两端，但他们的节奏变化总是同步的，暗示他们之间可能有某种看不见的“默契”（调控关系）。

3. 这个工具带来了什么改变？

• 更靠谱： 以前只跑一次分析，现在通过多次运行和对齐，能发现哪些分组是稳定的，哪些是“运气好”碰巧分对的。
• 更灵活： 它能处理那些“既是 A 又是 B"的过渡态细胞，不再强迫它们选边站。
• 更清晰： 它能告诉你，哪些基因真正驱动了细胞的分化，而不是那些只是随大流的基因。

总结

简单来说，ACE-OF-Clust 就是一个单细胞数据的“去噪”和“对齐”神器。它不再让科学家在混乱的、一次性的分析结果中瞎猜，而是通过反复排练、智能对齐、深度画像，帮我们看清细胞世界里真实的“乐队编制”和“演奏逻辑”。这让科学家能更自信地研究细胞是如何分化、疾病是如何发生的。

技术摘要

这篇论文介绍了一种名为 ACE-OF-Clust（Clustering 中的组学特征对齐、比较与评估）的新框架，旨在解决单细胞组学数据（如 scRNA-seq 和空间转录组 ST）聚类分析中的关键挑战。

以下是对该论文的详细技术总结：

1. 研究背景与核心问题 (Problem)

在单细胞转录组学和空间转录组学中，聚类是识别细胞类型和异质性的核心步骤。然而，现有的聚类分析面临以下主要挑战：

• 聚类对齐问题 (Clustering Alignment Problem)： 由于随机初始化、局部最优解、参数设置差异（特别是聚类数量 $K$ 的不同）以及标签置换（Label Switching），同一数据集的不同聚类运行或不同模型之间往往产生不一致的结果。
• 硬聚类 (Hard Clustering) 的局限性： 传统的硬聚类将细胞强制分配到单一类别，无法捕捉细胞状态的连续变化（如过渡态或空间梯度）。
• 混合成员聚类 (Mixed-membership Clustering) 的整合困难： 虽然软聚类能捕捉连续变异，但缺乏有效的方法来对齐不同运行或不同 $K$ 值下的结果，也难以系统性地评估哪些基因特征真正驱动了聚类结构。
• 多组学整合的缺失： 在跨组学（如 RNA 和 ATAC-seq）分析中，缺乏系统的方法来比较不同模态下的聚类一致性并推断跨组学的调控关系。

2. 方法论 (Methodology)

ACE-OF-Clust 提供了一个包含四个步骤的工作流，基于先前的 Clumppling 工具进行了扩展：

1. 生成多重聚类结果 (Multiple Clustering)： 用户可以使用任何无监督方法（如 Seurat, Scanpy, FastTopics 等）对数据进行多次运行，生成多个聚类结果（Membership Matrix $Q$）。对于混合成员聚类，还会生成特征级矩阵 $P$（表示基因在聚类中的相对表达）。
2. 聚类对齐 (Clustering Alignment)：
   • 利用 Clumppling 算法，将同一模型下的多次运行结果按 $K$ 值分组，识别出代表性的“模式”（Modes）。
   • 通过优化策略解决标签置换问题，并将不同 $K$ 值或不同模型的结果进行对齐。
   • 对于硬聚类，将结果转换为 One-hot 编码的 $Q$ 矩阵进行对齐；对于混合成员聚类，直接对齐概率矩阵。
3. 模型比较与评估 (Model Comparison)：
   • 计算 归一化汉明距离 (NHD) 或平均总成员差异 ($\Delta$) 来量化不同聚类模式之间、或聚类结果与参考注释（Ground Truth）之间的不一致性。
   • 识别那些在不同模型或运行中表现出不一致（不确定性高）的细胞或位点。
4. 特征级分析与识别 (Feature Characterization)：
   • 构建 聚类特征谱 (Clustering Profile)：针对每个基因，基于 $P$ 矩阵计算其对数折叠变化 (LFC) 向量 $L_j$ 和索引向量 $\vec{L}_j$。
   • 定义两个关键指标来识别“聚类信息性特征”（Clustering-informative features）：
     • 加权 P 和 (Weighted P sum, $\tilde{p}_j$)： 衡量基因对整体聚类的总体贡献。
     • 最大分离间隙 (sepLFC)： 衡量基因在区分特定聚类子集时的最强信号（即排序后的相对表达水平中最大的跳跃）。

3. 关键贡献 (Key Contributions)

• 系统化的对齐框架： 首次将 Clumppling 扩展应用于单细胞转录组和空间转录组数据，解决了多运行、多模型及多 $K$ 值下的聚类结果对齐难题。
• 量化不一致性： 提供了定量的指标（NHD, $\Delta$）来评估聚类结果的稳健性，揭示了仅运行一次聚类可能导致的偏差。
• 基于特征谱的基因筛选： 提出了一种不依赖传统差异表达分析（DE）的新方法，通过 $P$ 矩阵直接识别驱动聚类结构的基因。该方法不仅关注单簇特异性，还能识别区分多簇的基因。
• 多组学整合与调控推断： 能够跨模态（RNA vs. ATAC）比较聚类结果，并通过识别在两种组学中具有相似聚类信息性的特征对（基因 - 峰），推断潜在的跨组学调控关系（即使它们在基因组上不邻近）。

4. 主要结果 (Results)

论文在三个数据集上验证了 ACE-OF-Clust 的有效性：

• PBMC3k (scRNA-seq 基准数据)：

  • 展示了即使是相同的算法（如 Seurat 和 Scanpy 中的 Louvain/Leiden）和参数，不同随机种子产生的聚类结果也存在显著差异。
  • 通过对齐分析，发现 CD4+ T 细胞在不同模型间的不一致性最高，而 CD14+ 单核细胞最一致。
  • 证明了多次运行并取主要模式（Major Mode）比单次运行更能代表真实的细胞分组。

• 乳腺癌空间转录组 (HBC ST)：

  • 应用混合成员聚类，揭示了肿瘤边缘区域（Tumor Edge）和不同病理形态（如 IDC, DCIS/LCIS）之间的连续过渡状态，这是硬聚类难以捕捉的。
  • 通过特征谱分析，识别出如 COX6C, APOE, COL1A1 等驱动聚类的基因，其中部分基因未被传统的 HVG（高变基因）筛选方法选中，但在聚类中起关键作用。
  • 证明了使用全基因集而非仅 HVG 进行混合成员聚类能保留更多生物学信号。

• PBMC10k (多组学数据：RNA + ATAC)：

  • 比较了 RNA-seq 和 ATAC-seq 的聚类结果，发现某些细胞亚群（如记忆 T 细胞）在 ATAC 数据中的聚类变异性更高。
  • 通过跨模态特征对齐，成功识别出非邻近的基因 - 染色质开放区域（Peak）对（如 BTLA 基因与特定 Peak），这些对在两种组学中都表现出高聚类信息性，且被 cCRE 数据库支持，暗示了潜在的远程调控关系。

5. 意义与影响 (Significance)

• 提高可解释性与鲁棒性： ACE-OF-Clust 使得单细胞聚类分析从“单次运行、定性判断”转变为“多次运行、定量评估”，显著提高了结果的可靠性。
• 超越传统标记基因： 通过特征谱分析，研究者可以发现那些在传统差异表达分析中不显著、但对细胞状态划分至关重要的基因。
• 指导下游分析： 通过量化聚类的不确定性，帮助研究者避免在下游分析（如拟时序分析、基因调控网络推断）中使用不稳定的聚类标签。
• 多组学整合新范式： 为理解不同组学层面对细胞异质性的贡献以及发现跨组学调控机制提供了新的计算工具。

总结： ACE-OF-Clust 是一个开源的 Python 工具包，它通过系统化的对齐和特征分析，解决了单细胞和空间组学聚类中的“对齐难题”，增强了从复杂数据中提取生物学洞见的能力，特别适用于需要高稳健性和深度特征解析的研究场景。