利用先进的数学技术提升基因组数据的分析水平

新加坡国立大学的研究人员公布了一种分析单细胞RNA测序（scRNA-seq）数据的新方法。这种方法有望提高数据解释的准确性和速度，有可能加速生物医学研究许多领域的进展，包括癌症和阿尔茨海默病的研究

这个名为scAMF（通过流形拟合进行单细胞分析）的创新框架是由新加坡国立大学理学院统计与数据科学系副教授姚志刚领导的一个科学家团队开发的

该框架采用先进的数学技术，在测量基因表达数据的高维空间内拟合低维流形。通过这样做，scAMF有效地降低了噪声，同时保留了关键的生物信息。这允许更准确地表征细胞类型和状态

这项研究是与清华大学游承东教授合作完成的。他们的发现已于2024年9月3日发表在《美国国家科学院院刊》上。

利用流形拟合技术克服数据分析中的障碍

单细胞RNA测序已成为基因组研究的关键工具，为细胞多样性和疾病机制提供了前所未有的见解。然而，由于生物变异性和技术误差，scRNA-seq数据中的固有噪声长期以来一直对准确分析构成挑战

传统的scRNA-seq分析方法，包括基因组插补方法、基于图的方法和基于深度学习的算法，由于固有噪声，往往难以准确表征细胞关系

scAMF框架是克服这些局限性的重要一步。它的工作原理是在基因表达数据的环境空间内拟合低维流形，有效地降低噪声，同时保留关键信息

scAMF的核心是流形拟合模块，该模块通过展开scRNA-seq数据在环境空间中的分布来有效地对其进行去噪。该技术旨在在测量数据的原始空间内重建一个平滑的流形，以最小化信息损失并有效消除噪声的方式捕获数据的低维结构

scAMF的关键创新在于它能够改善数据的空间分布，使同一类型细胞的基因表达载体更紧密地结合在一起，同时保持不同细胞类型之间的清晰分离。这种增强使后续分析中的聚类更加精确和可靠

姚副教授解释说：“我们的方法通过在高维空间中拟合低维流形来有效地去噪scRNA-seq数据。”。“这种方法显著提高了细胞类型分类的准确性和数据可视化的清晰度。”

scAMF方法采用了数据转换、使用共享最近邻度量的流形拟合和无监督聚类验证的独特组合

与其他方法相比，scAMF在几个关键领域表现出卓越的性能，包括更有效的降噪、更高的聚类精度、更好的生物信息保存、有竞争力的计算效率、更清晰的可视化以及跨不同数据集的稳健性能

这些改进使scAMF成为单细胞分析中一种强大的新工具，有可能使研究人员发现以前隐藏的细胞异质性和稀有细胞群

未来的工作-推动对细胞多样性和功能的更深入理解

在scAMF成功的基础上，研究小组现在正在开发一种构建高分辨率、多尺度细胞图谱的新框架。这种新方法旨在克服当前细胞图谱构建中的方法学局限性，例如识别小细胞群体的挑战和过时的无监督学习技术

一个关键的焦点是开发基于scAMF的多分辨率细胞分析框架。这一先进的框架旨在识别稀有细胞群体，并为构建全面的细胞图谱做出贡献

多分辨率方法将使研究人员能够分析不同粒度级别的细胞异质性，从广泛的细胞类型到微妙的亚群。这对于识别传统分析方法可能忽视的稀有细胞类型尤为重要

姚副教授指出：“我们正在进行的工作已经在众多基准数据集中显示出有希望的结果，揭示了新的生物学见解。”。“我们已将其应用于人脑细胞图谱，并确定了各种细胞类型的新亚型和标记基因。”

这项正在进行的研究有望进一步推动单细胞分析的边界，可能彻底改变我们对各种生物系统中细胞多样性和功能的理解 More information: Zhigang Yao et al, Single-cell analysis via manifold fitting: A framework for RNA clustering and beyond, Proceedings of the National Academy of Sciences (2024). DOI: 10.1073/pnas.2400002121

Journal information: Proceedings of the National Academy of Sciences