🧬 biology

scLodestar: Scalable probabilistic clustering of single cells in a continuous probability space

scLodestar 是一个可扩展、高性能的框架，它将单细胞数据建模为基于地标状态（landmark states）的连续概率分布，从而实现了原则性的不确定性量化、过渡态细胞群体的发现，以及在不受离散硬聚类限制的情况下对数百万个细胞进行高效处理。

原作者： Lingpin Pang, Yue Xu, Yunhua Zhao, Xuanhe Hou, Yue Ma, Huafeng Liu, Xiaoyu Liu, Han Wang, Luchun Yan, Chunjie Tian

发布于 2026-07-06

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Lingpin Pang, Yue Xu, Yunhua Zhao, Xuanhe Hou, Yue Ma, Huafeng Liu, Xiaoyu Liu, Han Wang, Luchun Yan, Chunjie Tian

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

想象一下，你正在试图组织一个规模巨大的图书馆。在旧的方法中（传统的单细胞聚类），你被迫将每一本书都放入且仅放入一个书架。如果一本书既属于“科幻”又属于“历史”，你必须武断地决定：“好吧，这本归入科幻类。”这样你就失去了这本书是两种风格融合体的细微差别。

scLodestar 是一种更聪明、更先进的组织这些“书”（在这种情况下，是指你体内的单个细胞）的方法。它不再强迫一个细胞进入一个固定的盒子，而是为每个细胞提供一张成员身份卡，准确说明它在多个不同群体中的所属程度。

以下是它的工作原理，通过简单的类比进行拆解：

1. “地标”（参考点）

首先，系统会挑选出一些特殊的“地标”细胞。把这些想象成地图上的主要城市（例如纽约、伦敦、东京）。它们不仅仅是随机的点；它们是经过精心挑选的，用以代表样本中最具特征的不同细胞类型。

创新之处： scLodestar 不仅仅是选取一个“平均”城市，而是选取真实的、现有的细胞作为这些地标，确保它们是真正的代表。

2. “概率空间”（地图）

在旧方法中，一个细胞要么是“纽约”，要么是“伦敦”。而在 scLodestar 中，一个细胞是地图上位于这些城市之间的某个位置。

如果一个细胞是纯粹的“纽约”细胞，它就坐落在纽约地标的正上方。
如果一个细胞是“过渡性”细胞（例如一个正在变成纽约细胞、但仍保留着伦敦特征的年轻细胞），它会位于地图中间的某个位置。
结果： 你可以观察到细胞正在经历的“旅程”。你看到的不仅是起点和终点，还有连接它们的平滑道路。

3. “随机游走”（如何确定位置）

系统是如何知道一个细胞在地图上的位置的？它使用了带有重启机制的随机游走（Random Walk with Restart）。

类比： 想象一个游客从“纽约”地标出发。他们在相邻的细胞之间进行随机移动。有时，他们会被“传送”回纽约。随着时间的推移，如果一个细胞非常接近纽约，游客就会经常造访它。如果一个细胞远离纽约，游客造访它的频率就会很低。
通过对所有地标进行这种操作，系统会为每个细胞计算出一个“得分”，告诉我们它在多大程度上感觉像纽约，在多大程度上感觉像伦敦，等等。这就创建了前文提到的概率卡。

4. 为什么这更好（超能力）

论文强调了这张新地图让我们能够实现的三个主要功能：

捕捉“中间态”： 因为细胞没有被强行塞进一个盒子，scLodestar 可以轻松识别那些处于变化过程中的细胞（过渡状态）。在旧方法中，这些细胞会被隐藏或贴上错误的标签。在这里，它们清晰可见，呈现为地图上的“混合”色彩。
忠实的“去噪”（修复噪声）： 单细胞数据通常带有“噪声”（就像带有静电干扰的收音机）。有些细胞可能会因为意外导致某个基因错误地开启。
- 类比： 如果你有一张模糊的猫的照片，你可能会误以为它是狗。但如果你知道这张照片 90% 是“猫”，10% 是“狗”，你就可以修复这张照片使其看起来更像猫，而不会不小心把它变成狗。
- scLodestar 利用概率得分来平滑噪声。如果一个细胞对某个特定群体的“成员身份”几乎为零，系统就不会赋予它该群体的特征。这防止了“幻觉”（即凭空制造不存在的数据）。
速度： 通常，对数百万个细胞进行这种复杂的数学运算需要数小时甚至数天。作者编写了特殊的、超快速的计算机代码（使用一种名为 C 的语言）。
- 声称： 他们仅用五分钟就处理了 300 万个细胞（一个巨大的数据集）。这就像是在冲一杯咖啡的时间里，组织完了一个城市规模的图书馆。

5. 混合不同的图书馆（批次效应校正）

通常，来自不同实验（不同“批次”）的数据看起来会有细微差异，这是由于技术原因而非生物学原因。

类比： 想象两个图书馆，同一本书在不同的图书馆里可能有略微不同的封面颜色。
scLodestar 通过匹配“概率地图”而非原始数据来对齐这些图书馆。它成功地混合了来自不同捐赠者的数据，使生物学特征脱颖而出，而技术差异则逐渐淡化。

总结

scLodestar 是一个不再强迫细胞进入僵化盒子的工具。相反，它将每个细胞放置在一张平滑且连续的地图上，使其可以同时属于多个群体。它运行速度极快，能发现其他方法会错过的“中间态”细胞，并且能在不凭空捏造数据的前提下清理噪声数据。它将黑白分明的类别列表转化为了色彩斑斓、细节丰富的细胞生命地图。

scLodestar 技术摘要

问题陈述
传统的单细胞 RNA 测序（scRNA-seq）分析依赖于“硬”聚类算法（例如 Leiden、Louvain），这些算法将每个细胞分配给单一的、离散的簇。作者认为，这种范式对生物学现实强加了人为的离散性，因为细胞通常存在于连续的分化轨迹中，共表达多种谱系标记，并占据过渡状态。硬聚类掩盖了这种异质性，强行做出武断的边界决策，并且无法提供原则性的不确定性量化。此外，现有的替代方案——如软聚类、轨迹推断或深度生成模型——往往缺乏对图谱级数据集的可扩展性，无法提供可解释的成员身份，或者需要关于方向性的先验知识。

方法论
scLodestar（基于地标的单细胞传送马尔可夫链聚类）提出了一个框架，在该框架中，每个细胞不再被表示为离散标签，而是被表示为一组 $L$ 个“地标”（landmark）状态在概率单纯形 $\Delta_{L-1}$ 中的概率分布。该工作流由三个主要阶段组成：

图构建： 从细胞嵌入（通常是 PCA 坐标）构建共享最近邻（SNN）图。边权重由邻居集合的 Jaccard 相似度决定，随后进行可选的剪枝和各向异性重归一化，以处理密度异质性。
密度感知的地标选择： 通过 k-medoids 聚类选择代表性细胞（地标）。为了确保稀疏区域得到体现，该方法采用密度感知过采样，在选择过程中提高低密度细胞的权重。作者引入了一种自定义的 OneBatchPAM 算法来加速这一步骤。
通过带重启的随机游走（RWR）进行投影： 将细胞投影到概率单纯形中，使用个性化 PageRank。随机游走者从一个地标开始，以概率 $\alpha$ 跳回该地标，或者以概率 $1-\alpha$ 根据 SNN 权重转移到其邻居。该随机游走对于每个地标的平稳分布定义了所有细胞的成员概率。这通过在稀疏矩阵上进行幂迭代来求解。

关键技术贡献

概率表示： scLodestar 不输出离散标签，而是为每个细胞输出一个成员向量 $m_i \in \Delta_{L-1}$ $m_{i} \in Δ_{L - 1}$ 。这使得以下操作成为可能：
- 不确定性量化： 通过熵（ $H_i$ ）和概率间隔（ $\Delta_i$ ）测量分配的不确定性，从而识别过渡或模糊的细胞。
- 连续标记识别： 基因通过与连续成员向量而非离散组的相关性来识别，从而捕捉渐进的表达变化。
- 忠实插补： 基因表达被插补为地标表达谱的狄利克雷加权平均值。这防止了“幻觉”（即将表达模式分配给对某一状态没有任何亲和力的细胞）。
通过自定义内核实现可扩展性： 为了解决大规模数据集上概率方法的计算成本问题，作者实现了两个高性能 C/Cython 内核：
- OneBatchPAM： 通过批处理距离计算和提前终止，使地标选择比标准 k-medoids (BanditPAM) 快 400 倍。
- 稀疏 CSR 优化的 RWR： 通过利用压缩稀疏行（CSR）矩阵操作，使随机游走计算比 NetworkX 实现快 100 倍。
概率空间批次校正： 该方法通过在单纯形中对齐概率分布而非原始表达空间来整合多样本数据，利用概率向量固有的归一化特性来降低对技术变异的敏感性。

结果
作者在四个不同的数据集上验证了 scLodolaer：

人类骨髓（1.7万个细胞）： 该方法识别了 26 个地标簇，并揭示了被硬聚类所掩盖的高熵过渡群体。它实现了细胞连续体的色彩混合可视化和基于相关性的标记物检测。
10x Genomics 3k PBMC： 展示了基于置信度的细胞选择（过滤模糊细胞）和忠实的基因插补。对于标记物 Ptprc 和 Reln，插补消除了背景噪声，同时没有在负表达群体中引入伪信号。
小鼠胚胎中胚层（300万个细胞）： 该流水线在大约五分钟内处理了 300 万个细胞。相对于作者的注释，它实现了高纯度（0.78）和高同质性（0.68），成功捕获了复杂的发育轨迹和亚型（例如软骨细胞亚型）。
糖尿病肾病（14 名捐赠者）： 在针对 Harmony 的批次校正基准测试中，scLodestar 实现了更优的批次混合效果（更高的 iLISI 和 KBET 分数），同时保持了具有竞争力的生物学保护指标。

意义与主张
论文声称 scLodestar 提供了一个统一的框架，弥合了生物学细微差别与计算可扩展性之间的鸿沟。通过将细胞身份表示为完整的概率分布，它解决了连续分化性质与标准分析流水线所需的离散要求之间的矛盾。

作者强调，他们的方法：

揭示隐藏的生物学： 揭示了硬聚类无法看到的过渡群体和渐进的表达变化。
确保保真度： 通过将去噪锚定在概率成员身份中，防止了激进插补方法中常见的“幻觉”伪影。
扩展至图谱规模： 通过算法协同设计（OneBatchPAM 和 CSR-RWR），使处理包含数百万个细胞的数据集的概率聚类变得可行，在五分钟内处理了 300 万个细胞。
提供新的整合范式： 表明在概率空间中对齐细胞是去除批次效应的一种可行且通常更优的替代方案。

作者总结道，这种概率范式推动了领域向具备不确定性感知能力的分析转型，使其在向图谱级数据集规模扩展时，能够更忠实地表示细胞身份。