[论文解读] A deep generative model for single-cell RNA sequencing with application to detecting differentially expressed genes

Romain Lopez, Jeffrey Regier+3 more|arXiv (Cornell University)|Oct 13, 2017

Single-cell and spatial transcriptomics被引用 6

一句话总结

本文提出了一种用于单细胞RNA测序的深度生成模型，利用神经网络通过低维潜在变量对基因表达进行建模，并通过额外的潜在变量处理技术性零值。该方法实现了超过一百万个细胞的可扩展变分推断，在检测差异表达基因方面优于ZIFA和ZINB-WaVE，同时支持批次效应校正和超越DESeq2的贝叶斯假设检验框架。

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 take into account batch effects and other confounding factors and propose a natural Bayesian hypothesis framework for differential expression that outperforms tradition DESeq2.

研究动机与目标

• 开发一种可扩展、灵活的概率模型，用于单细胞RNA-seq数据，以捕捉生物变异和技术变异。
• 通过引入额外的潜在变量对技术性丢失（technical dropouts）进行建模，解决零膨胀基因表达数据的挑战。
• 实现在大规模数据集（超过一百万个细胞）上的高效推断，而现有方法无法扩展。
• 通过引入基于后验预测分布的贝叶斯假设检验框架，改进差异表达检测，其性能优于传统工具如DESeq2。
• 将模型扩展以校正单细胞实验中的批次效应和其他混杂因素。

提出的方法

• 该模型采用深度生成框架，其中每个细胞的基因表达基于低维潜在表示，通过神经网络进行条件分布建模。
• 引入额外的潜在变量以建模技术性人工干扰，特别是虚假零表达值的出现。
• 使用变分推断近似潜在变量的后验分布，通过随机优化实现可扩展学习。
• 通过随机梯度变分推断进行模型训练，实现在大规模数据集上的高效优化。
• 通过将批次效应和混杂因子整合到潜在变量结构中，将框架扩展以包含这些因素。
• 开发了一种基于后验预测分布的贝叶斯假设检验框架，用于差异表达分析，支持统计推断。

实验结果

研究问题

• RQ1 基于神经网络的条件分布的深度生成模型能否有效捕捉单细胞RNA-seq数据中的复杂结构？
• RQ2 与ZINB-WaVE和ZIFA等现有方法相比，该模型在处理零膨胀表达数据方面表现如何？
• RQ3 该模型在超过一百万个细胞的数据集上能扩展到何种程度？与竞争方法相比性能如何？
• RQ4 所提出的差异表达检测贝叶斯框架是否在统计功效和准确性方面优于DESeq2等成熟工具？
• RQ5 该模型能否在保留生物信号的同时，有效校正批次效应和混杂因素？

主要发现

• 与DESeq2相比，该模型在存在混杂因素的复杂实验设计中检测差异表达基因的表现更优。
• 该模型可高效扩展至超过一百万个细胞的数据集，而现有方法如ZIFA和ZINB-WaVE无法实现此规模。
• 使用神经网络进行条件分布建模可实现更优的数据拟合，更准确地捕捉复杂的基因表达模式。
• 基于后验预测分布的贝叶斯假设检验框架在差异表达检测中比传统方法更可靠、更强大。
• 引入技术性零值建模显著提升了下游分析的鲁棒性，尤其在低覆盖度或噪声较大的单细胞数据中。
• 该模型能有效校正批次效应和混杂因素，在保留生物信号的同时减少技术性人工干扰。