[论文解读] A deep generative model for gene expression profiles from single-cell RNA sequencing

Romain Lopez, Jeffrey Regier+3 more|arXiv (Cornell University)|Sep 7, 2017

Single-cell and spatial transcriptomics参考文献 12被引用 5

一句话总结

该论文提出 scVI，一种用于单细胞 RNA 测序数据的深度生成模型，通过使用神经网络进行变分推断，将基因表达建模为零膨胀负二项分布，明确分离生物变异与技术噪声。该方法在填补缺失值、聚类和差异表达分析方面达到最先进性能，且可在单张 GPU 上高效扩展至数百万细胞。

ABSTRACT

We propose a probabilistic model for interpreting gene expression levels that are observed through single-cell RNA sequencing. In the model, each cell has a low-dimensional latent representation. Additional latent variables account for technical effects that may erroneously set some observations of gene expression levels to zero. Conditional distributions are specified by neural networks, giving the proposed model enough flexibility to fit the data well. We use variational inference and stochastic optimization to approximate the posterior distribution. The inference procedure scales to over one million cells, whereas competing algorithms do not. Even for smaller datasets, for several tasks, the proposed procedure outperforms state-of-the-art methods like ZIFA and ZINB-WaVE. We also extend our framework to account for batch effects and other confounding factors, and propose a Bayesian hypothesis test for differential expression that outperforms DESeq2.

研究动机与目标

• 解决现有单细胞 RNA-seq 降维与填补方法的局限性，这些方法通常依赖线性模型或批量优化，难以扩展至大规模数据集。
• 开发一种可扩展、可微分且概率化的框架，显式建模技术噪声（如缺失值、测序深度），并将其与潜在生物状态分离。
• 通过统一的生成模型结合不确定性量化，实现聚类、填补缺失值和差异表达分析等下游任务的高精度。
• 将推断扩展至最多 130 万个细胞的数据集，克服 ZIFA 和 ZINB-WaVE 等先前方法在内存和计算上的瓶颈。

提出的方法

• scVI 使用分层生成过程建模基因表达：潜在细胞状态 $ z_n $ 从标准正态分布中抽取，基因表达通过伽马分布的均值 $ w_{ng} $ 和伯努利缺失指示变量 $ h_{ng} $ 建模，观测数据 $ x_{ng} $ 为零膨胀泊松分布。
• 模型使用两个深度神经网络 $ f_w $ 和 $ f_h $ 分别参数化基因表达的均值和缺失概率，共享权重并使用批量归一化以提升泛化能力。
• 采用变分推断近似难以计算的后验 $ p(z_n|x_n) $，使用由编码器网络参数化的高斯变分分布 $ q(z_n|x_n) $，实现端到端可微训练。
• 通过随机反向传播优化变分下界，对离散潜在变量进行解析边缘化，以确保可微性和稳定优化。
• 在差异表达检验中，基于 $ w_{ag} $ 和 $ w_{bg} $ 的后验分布构建贝叶斯假设检验，通过潜在变量的蒙特卡洛积分计算贝叶斯因子。
• 模型支持协变量 $ \gamma_n $（如测序深度、批次），以在潜在空间中分离技术效应与生物信号。

实验结果

研究问题

• RQ1 具有可微分推断的深度生成模型是否能在单细胞 RNA-seq 数据的聚类和填补任务中超越线性方法和批量优化方法？
• RQ2 完全生成的模型是否能有效分离高维、零膨胀的单细胞数据中的技术噪声（如缺失值、批次效应）与真实生物变异？
• RQ3 该模型是否能在保持准确性和计算效率的同时，扩展至超过一百万个细胞的数据集？
• RQ4 该模型的概率框架是否能实现稳健且具有不确定性感知的差异表达检验？

主要发现

• 在 10,000 个细胞的大脑数据集上，scVI 的填补误差最低（1.048），优于 ZINB-WaVE（1.053）和 MAGIC（1.806），且零缺失预测误差最低（0.742），表明其对缺失事件建模更优。
• 在 3,005 个细胞的小鼠皮层数据集上，scVI 的轮廓系数为 0.285，显著优于 ZINB-WaVE（0.260）、ZIFA（0.202）和 FA（0.208），表明其更准确地恢复了已知细胞类型。
• 在 12,039 个细胞的 PBMC 数据集上，scVI 的轮廓系数为 0.379，QC 相关系数为 0.157，优于 PCA（0.314 和 0.381），并展现出更优的去除无关变异能力，同时保留了生物结构。
• scVI 在单张 GPU 上训练完整个 130 万个细胞的数据集仅耗时不到两小时，而 ZIFA 和 ZINB-WaVE 在 32 GB 内存下处理 100,000 个细胞时即内存溢出，证明其卓越的可扩展性。
• 在差异表达检验中，scVI 展现出强可重复性，与批量 RNA-seq 数据的相关性高（r ≈ 0.7），显著性排名高度一致，验证了其生物学相关性。