🧬 生物学

A gene-level batch effect quantification method based on condition-aware correction and adaptive thresholding

本文引入了“条件感知型组技术效应”（condition-aware Group Technical Effects），这是一种通过基于条件的评分惩罚策略和自适应阈值方法，将生物条件效应与技术噪声解耦，从而增强单细胞数据中基因级批次效应量化的新颖框架。

原作者： Wen Li, Xiao Chang

发布于 2026-10-19

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Wen Li, Xiao Chang

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

在人类生物学的微观世界中，科学家们已经开发出一种读取单个细胞内指令的强大方式。通过对单细胞RNA进行测序，研究人员可以精确观察哪些基因处于活跃状态，从而揭示细胞的身份及其在某一时刻正在进行的活动。这项技术改变了我们对疾病的理解，让我们能够看到此前无法察觉的健康细胞与患病细胞之间的差异。然而，有一个持久的问题困扰着这些观察：数据经常受到实验过程中引入的“噪声”的影响。当科学家处理不同批次的样本时——例如在不同的日期、使用不同的试剂或由不同的技术人员操作时——技术性的差异可能会使原本生物学上完全相同的细胞看起来各不相同。这被称为“批次效应”（batch effect）。多年来，解决这一问题的标准方法是将细胞进行对齐，强行让它们看起来相似，以便清晰地讲述生物学故事。但这种方法对所有基因一视同仁，假设噪声对每个基因的影响是均等的。近期的观点认为事实并非如此；某些基因对这些技术性波动的敏感程度远高于其他基因，而忽视这种差异可能会导致对哪些基因驱动了疾病产生误导性的结论。

来自安徽财经大学研究人员的一项新研究针对这一特定的盲点进行了探讨。他们专注于一种名为“组技术效应”（Group Technical Effects）的方法，该方法旨在测量单个基因对批次诱导误差的敏感程度。原始方法在比较来自单一组别的细胞时表现良好，但在处理来自不同生物条件（例如健康状态与疾病状态，或对照组与处理组）的细胞数据时却显得力不从心。在这些复杂的场景中，该方法经常犯下一个关键错误：它将强烈的生物反应误认为是技术误差。如果一个基因因某种处理而被自然激活，并在所有样本中保持持续开启状态，原始方法会捕捉到这种一致性，并错误地将其标记为对批次噪声高度敏感的基因。这会导致研究人员误以为某个基因是技术问题的来源，而实际上它正是他们试图理解的生物学故事中的关键角色。

为了解决这个问题，研究人员开发了一种改进的方法，称之为“条件感知型组技术效应”（condition-aware Group Technical Effects）。他们的策略包含一个两步走的流程，即在测量噪声之前，首先将生物信号与技术噪声分离。他们使用了一个计算模型来解构数据，有效地让计算机去区分由实验处理引起的改变与由技术批次引起的改变。这使他们能够为每个基因分配一个分数，反映其行为受生物条件的驱动程度。掌握了这些信息后，他们应用了一种修正策略，降低那些具有高生物得分基因的影响。可以将此想象为调节收音机的音量：如果一首歌因为电台信号（生物学）而播放得很大声，系统就会调低该特定曲目的音量，以免它淹没了需要被测量的静电噪声（技术噪声）。

研究人员在一个涉及八名患者人类免疫细胞的数据集上测试了这个新框架。每位患者的一半细胞保持未处理状态，而另一半则被一种称为干扰素-β（interferon-beta）的物质刺激，该物质会触发强烈的免疫反应。在原始分析中，已知会被这种免疫反应激活的基因（如 LY6E 和 IRF7）被错误地标记为对批次效应高度敏感。它们看起来像是技术问题的主要来源。然而，当研究人员应用他们的新型条件感知方法时，这些免疫基因的得分大幅下降。该方法识别出它们的持续高表达是针对处理的一种刻意的生物反应，而非随机的技术故障。因此，这些基因从“问题制造者”名单中被移除了。

与此同时，该方法保留了那些对技术变化真正敏感的基因的状态。研究发现，参与蛋白质构建且已知对实验室制备过程高度敏感的核糖体基因，依然在敏感基因名单中名列前茅。这至关重要，因为它表明新方法并非仅仅是在压制所有高表达基因，而是专门针对那些由生物驱动的基因，同时让技术噪声留在其原处。研究人员通过一种“自适应阈值”（adaptive threshold）——一种数据驱动的规则——来确定这种修正的强度，以确保修正既足够强有力到能消除生物学上的混淆，又足够温和以避免误伤那些真正反映技术不稳定性的基因。

这项研究的结果表明，通过区分生物条件与技术批次，科学家可以更清晰地观察哪些基因实际上对实验噪声敏感。这防止了将重要的免疫反应基因误分类为技术人工制品。作者强调，这并不是一个用于修复数据本身的工具，而是一个用于在进行更深入分析前筛选基因的诊断工具。它帮助研究人员决定在比较不同条件下的细胞时，哪些基因值得信任，哪些需要保持谨慎。虽然该方法是在一个涉及免疫刺激的特定数据集上进行的测试，但作者指出，其原理可以应用于其他涉及药物治疗或疾病进展的研究。这项工作代表了在确保我们讲述的细胞生物学故事是基于真实的生物学差异，而非实验室台面上偶然产生的变异方面迈出了重要一步。

技术摘要：用于基因水平批次效应量化的条件感知型分组技术效应

问题陈述
批次效应仍然是单细胞转录组学面临的一个关键挑战。虽然现有的计算方法（如 MNN、Seurat、scVI、scDisInFact）侧重于细胞层面的对齐与整合，但它们往往忽略了基因层面的异质性批次效应。Group Technical Effects (GTE) 方法此前通过量化基因对批次变化的敏感性，识别出一小部分高度批次敏感基因 (Highly Batch-Sensitive Genes, HBGs)。然而，原始的 GTE 框架在跨条件研究（例如药物反应、疾病进展）中存在一个显著局限：它无法区分技术性的批次波动与由实验条件驱动的系统性生物响应。因此，那些因生物刺激而在所有批次中持续高表达的条件响应基因（例如干扰素诱导基因）经常被误分类为 HBGs，从而导致基因水平批次效应评估中的假阳性。

方法论
作者提出了 Condition-Aware Group Technical Effects（条件感知型分组技术效应）框架，旨在在计算基因水平批次敏感性之前，将生物条件效应与技术批次噪声进行解耦。该方法由三个核心组件组成：

条件效应解耦 (Condition-Effect Disentanglement)：
该框架利用 scDisInFact（一种深度生成模型）将单细胞数据分解为三个独立的潜在空间：共享生物因子、条件特异性生物因子和批次因子。至关重要的是，scDisInFact 在非共享编码器的第一层权重上采用了 group lasso 惩罚项，以识别对条件分类贡献最大的基因。
- ConditionScore（条件评分）： 对于每个基因 $m$ ，其 ConditionScore 被定义为其在非共享编码器中对应权重向量的 $l_2$ 范数。该评分量化了基因表达受生物条件驱动而非技术噪声驱动的程度。
乘性惩罚策略 (Multiplicative Penalization Strategy)：
为了修正原始的 GTE 得分，作者引入了一种乘性降权机制。调整后的 GTE 基因得分 ( $GTE_{adj}^m$ ) 定义为：
$GTE_{adj}^m = GTE^m \times [\max(0, 1 - \text{ConditionScore}_m)]^k$
其中 $k$ 是惩罚指数。具有高 ConditionScores（表明具有强生物条件驱动）的基因会被显著降权，而具有低评分（技术控制基因）的基因则基本不受影响。项 $\max(0, 1 - \text{ConditionScore}_m)$ 确保了非负性，如果条件驱动超过了原始方差贡献，则将调整后的得分设为零。
$k$ 的自适应阈值选择 (Adaptive Threshold Selection for $k$ )：
为了客观确定最优惩罚强度 ( $k$ )，作者提出了一种受用于 LASSO 正则化的 1-SE 规则启发的自适应阈值法。该方法将 $k$ 的选择建模为一个约束优化问题：在最大化已知条件驱动基因抑制效果的同时，最小化对已知技术控制基因的“附带损伤”。
- 正向集 (Positive Set)： 18 个典型的 I 型干扰素 (Type-I IFN) 响应基因（旨在被抑制）。
- 负向集 (Negative Set)： 15 个核糖体蛋白基因 (RPS/RPL)，已知由于库制备等技术因素具有高度批次敏感性（旨在被稳定）。
- 选择标准： 选择 $k$ 以最大化正向集的秩移 (rank shift)，同时保持负向集的秩移低于在 $k=1$ 时观察到的基准波动第 99 百分位数。

关键结果
该方法在包含 8 名供体、共 29,065 个细胞的配对 IFN- $\beta$ 刺激的人类 PBMC 数据集（Kang 等人，2018）上进行了验证。

ConditionScore 验证： ConditionScore 分布呈右偏态，已知的 IFN 响应基因（如 LY6E, IRF7, ISG20）表现出高分。这些基因在所有受刺激条件的供体中均呈现一致的上调，证实了高分反映的是生物一致性而非批次噪声。
最优惩罚 ( $k=3$ )： 对 $k$ 值从 1 到 5 的评估显示， $k=3$ 是最优选择。在此数值下，正向集（IFN 基因）的平均秩移达到最大（870.2 个位置），同时负向集（核糖体基因）仍保持在可接受的基准波动阈值内（ $k=1$ 时的秩移第 99 百分位数为 12.9）。更高的 $k$ 值（ $k \ge 4$ ）会导致对核糖体基因的过度惩罚。
HBG 列表的修正： 将 $k=3$ 的修正应用于原始 GTE 分析，结果导致 HBG 列表中移除了 7 个基因，包括 LY6E（排名从 13 降至 2,986）、ISG20 和 IRF7。被移除的 7 个基因中有 6 个属于 IFN 通路。
特异性： 修正过程选择性地抑制了条件驱动基因，而没有破坏核糖体技术控制基因的排名。新加入的 HBGs 包含了核糖体和内质网-高尔基体运输基因，这与原始 GTE 的发现一致，即这些基因本质上具有批次敏感性。
统计显著性： Wilcoxon 秩和检验确认，在 $k=3$ 时，正向集与负向集的秩移之间存在统计学显著差异（ $P = 0.0147$ ）。

意义与主张
本文将 Condition-Aware GTE 定位为一种用于降维或可视化前的基因筛选诊断工具，而非用于下游分析的数据整合或批次校正工具。其主要意义在于：

区分生物效应与噪声： 它提供了一种在跨条件单细胞数据中分离生物条件效应与技术噪声的策略，解决了原始 GTE 框架中的已知盲点。
减少误分类： 它有效地防止了将条件响应基因误分类为高度批次敏感基因，从而提高了基因级批次效应评估的可靠性。
数据驱动的参数选择： 自适应阈值法提供了一种客观的、数据驱动的方法来选择惩罚强度，从而在移除假阳性与保留真实技术信号之间取得平衡。

作者承认了局限性，包括验证仅依赖于单一数据集、在某些条件下可能存在保守性修正，以及假设核糖体基因的敏感性纯粹是由技术因素驱动。他们总结道，虽然该框架目前是一个概念验证，但它为复杂的、多条件的单细胞研究提供了一种针对性的策略。

技术摘要：用于基因水平批次效应量化的条件感知型分组技术效应

类似论文