Class-Support Mismatch Dominates Protocol-Driven Optimism in Spatial Transcriptomics, with a Larger Residual Penalty for Graph Neural Networks

技术摘要：类别支持不匹配主导了空间转录组学中由协议驱动的乐观估计

1. 问题陈述

空间转录组学（ST）基准测试在采用随机交错交叉验证（CV）时，经常报告比空间块交叉验证（Spatial-block CV）更高的性能指标。对于这种“随机与块”性能差距的普遍归因是空间泄漏（spatial leakage）：即认为图神经网络（GNN）中的消息传递和空间自相关性导致测试信息污染了训练过程。

然而，这种归因从未得到严格测试，因为从随机划分切换到块划分会同时改变五个不同的设计维度：

1. 训练集大小： 块协议丢弃了缓冲区区域，显著减少了训练位点（spots）的数量。
2. 类别支持（Class support）： 连续的组织块往往缺乏整个切片中存在的全部组织域多样性，导致训练集与测试集的类别集合出现不匹配。
3. 跨角色消息传递： 随机划分产生了许多训练-测试邻居对；而块划分则在边界处切断了图结构。
4. 预处理范围： 全局预处理（如基因选择、标准化）对比局部折叠（fold-local）预处理。
5. 空间外推： 预测未见空间区域的实际科学挑战。

单一的性能差距统计量将这些因素混为一谈，使得无法将“泄漏”与其他人工制品（如类别支持不匹配）区分开来。

2. 方法论

作者对 10x Visium 人类乳腺癌数据（3,798 个位点，11 个 Leiden 域）进行了深度审计研究，并在 12 个专家标注的 DLPFC 切片（47,280 个位点）上进行了复现。

图剪枝与验证：
为了消除消息传递泄漏，作者构建了一个“零污染”图。对于每个折叠（fold），他们剪枝了空间图以确保：

• 零跨角色边： 没有边连接训练、验证或测试节点。
• 无限跳数距离： 训练节点与测试节点之间的最小跳数距离为无穷大。
• 验证： 两个独立的实现验证了这些属性，确认仅靠缓冲区（buffer zones）是不够的，因为它们虽然移除了块，但没有移除连接它们的边。

协议阶梯（The Protocol Ladder）：
研究采用了使用 11 个臂的加法分解协议阶梯。通过一次只改变一个设计维度（例如，匹配类别支持、大小、图掩码或预处理范围），作者分离了每个因素对总差距的贡献。

• 基础阶梯： 将总差距（随机 vs. 块）分解为：训练集大小、类别支持、空间（残差）和预处理范围。
• 掩码臂（Masked Arms）： 用于通过在随机和块协议之间匹配图掩码规则和预处理范围，来消除 GNN 的空间惩罚效应。

持续同调审计（Persistent Homology Audit）：
作者重新评估了持续同调（拓扑）特征的效用。他们用一种归纳规则替换了之前的“共享图”特征计算（该方法会将训练信息泄露到测试特征中），在该规则下，特征严格在每个折叠诱导的子图中进行计算。

统计框架：

• 单位： 分析基于 $n=4$ 个独立空间块（Fold 1 和 Fold 3 是相同的划分）。
• 区间： 分层自助法（Hierarchical bootstrap）95% 置信区间。
• 检验： 精确双侧符号排列检验（由于 $n=4$，底线为 $p=0.125$）。

3. 关键结果

A. 随机到块差距的分解
总体的闭集宏 F1 指标差距 +0.447 可加性分解如下：

• 类别支持不匹配： +0.276（最大的组成部分，约占差距的 62%）。这源于连续的组织块不包含所有的组织域，迫使模型去预测训练集中未见的类别。
• 残差空间外推： +0.098（约 22%）。
• 预处理范围： +0.051（约 11%）。
• 训练集大小： +0.022（约 5%）。

B. GNN 惩罚
在匹配了大小、类别支持、图掩码和预处理范围后：

• 图神经网络 (GCN, GAT)： 表现出显著的残差空间惩罚 +0.214 (CI: +0.160, +0.273)。
• 非图分类器 (SVM, XGBoost, kNN, MLP)： 表现出微小的、未解决的惩罚 +0.042 (CI: -0.039, +0.143)，其中包含了零。
• 家族差距（Family Gap）： GNN 与非图方法的惩罚差异为 +0.172，仅对 GNN 是统计可辨识的。

C. 消息传递与泄漏

• 在块协议下，跨角色消息传递对差距的贡献分别为 GCN 的 +0.050 和 GAT 的 +0.016。
• 对于非图方法，该值为精确的 0.000。
• 作者得出结论，消息传递泄漏是一个真实存在但次要的通道，并非观察到的乐观估计的主要驱动因素。

D. 持续同调
此前报告的拓扑效益（宏 F1 为 +0.0154）完全是泄漏的人工制品。

• 当特征在每个折叠内进行归纳式重计算时，该效益消失了。
• 清洁的估计值为 -0.0144 (SD 0.0269, $p=0.50$)，表明 TopoSpatial 与匹配的带拓扑 GAT 之间没有差异。

E. 方法排名反转 (DLPFC)
在 12 个 DLPFC 切片上，方法的排名根据协议发生了反转：

• 随机 CV： 使用原始坐标的 XGBoost-PCA+XY 显著优于 SVM-PCA。
• 块/留一法 (Leave-One-Out) CV： SVM-PCA 优于 XGBoost-PCA+XY。
• 这表明依赖于仅随机 CV 的基准测试可能会一致地选择那些利用空间自相关（通过坐标）而非学习泛化生物学特征的劣质方法。

4. 意义与主张

本文声称纠正了领域内对 ST 基准测试中“空间泄漏”的理解。其主要贡献在于：

1. 驳斥“泄漏”整体论： 随机与块之间的差距不是一个由消息传递泄漏驱动的单一量。最主要的成分是类别支持不匹配，这是由于空间分块如何减少了训练/测试集中的类别多样性所导致的产物。
2. GNN 特有的惩罚： 真正的空间外推惩罚（预测未见空间区域的难度）对于 GNN 而言比对于非图分类器要大得多。这表明 GNN 对未见区域的局部图上下文分布具有独特的敏感性，而不仅仅是对标签泄漏敏感。
3. 方法论修正：
   • 缓冲区不足以消除问题： 它们虽然移除了块，但没有移除边。必须进行显式的图剪枝和验证才能消除消息传递泄漏。
   • 特征泄漏： 在全图上计算的持续同调特征构成了一个泄漏通道；必须按折叠进行归纳式重计算。
   • 报告标准： 基准测试必须报告差距的分解（大小、类别支持、预处理、空间），而不是仅仅报告一个单一的膨胀数值。在将性能下降归因于空间外推之前，必须先匹配类别支持。
4. 关于拓扑学的负面结果： 该研究提供了一个清晰的负面结果，表明此前报告的持续同调在 ST 中的收益完全是由于数据泄漏造成的，而非模型能力。

作者明确表示，他们并不声称创建了一个没有任何限定条件的无泄漏基准（因为目标标签是转导性的 Leiden 聚类），但他们断言其协议在消息传递、节点特征和预处理方面是无泄漏的。他们强调，“空间惩罚”是一个真实的现象，对于 GNN 而言，它有别于协议设计产生的人工制品。