[论文解读] Categorization and analysis of 14 computational methods for estimating cell potency from single-cell RNA-seq data

Qingyang Wang, Zhiqian Zhai+3 more|arXiv (Cornell University)|Sep 24, 2023

Single-cell and spatial transcriptomicsBiochemistry, Genetics and Molecular Biology被引用 3

一句话总结

本文综述了14种从单细胞RNA测序数据估算细胞潜能的计算方法，将其分类为基于均值、基于熵和基于相关性的方法。研究发现，已发表的方法描述与其代码实现之间存在关键差异，揭示了方法论上的不一致和错误假设，并得出结论：由于缺乏单细胞水平的真实标签，且不同方法的底层原理相互冲突，准确估算细胞潜能仍是未解难题。

ABSTRACT

In single-cell RNA sequencing (scRNA-seq) analysis, a key challenge is inferring hidden cellular dynamics from static cell snapshots. Various computational methods have been developed to address this, focusing on perspectives like pseudotime trajectories, RNA velocities, and estimating the differentiation potential of cells, often referred to as "cell potency." This review summarizes 14 methods for defining cell potency from scRNA-seq data, categorizing them into average-based, entropy-based, and correlation-based methods based on how they summarize gene expression levels into a potency measure. We highlight the key similarities and differences within and between these categories, offering a high-level intuition for each method. Additionally, we use unified mathematical notations to detail each method's methodology and summarize their usage complexities, including parameters, required inputs, and differences between published descriptions and software implementations. We conclude that cell potency estimation remains an open question without a consensus on the optimal approach, emphasizing the need for benchmark datasets and studies. This review aims to provide a foundation for future benchmark studies, while also addressing the broader challenge of comparing methods that infer cellular dynamics from scRNA-seq data through various perspectives, including pseudotime trajectories, RNA velocities, and cell potency.

研究动机与目标

• 系统分类并比较14种从单细胞RNA测序数据估算细胞潜能的计算方法。
• 识别并记录已发表方法描述与其实现代码之间的差异。
• 评估现有方法的方法论合理性，包括错误假设和不一致的归一化处理。
• 突出不同方法论范式之间的概念矛盾，例如基于均值与基于熵的潜能估算之间的矛盾。
• 论证由于缺乏单细胞水平的真实标签以及不同方法间底层假设的冲突，准确估算细胞潜能仍是开放性挑战。

提出的方法

• 作者根据核心计算逻辑，将11种已审查的方法分为三类：基于均值的方法（CytoTRACE, NCG）、基于熵的方法（stemID, SLICE, dpath, scEnergy, SCENT, MCE, SPIDE）和基于相关性的方法（mRNAsi, CCAT）。
• 采用统一的数学符号对每种方法进行分析，以明确其在输入需求、参数使用和算法结构上的差异。
• 通过量化临时参数数量、所需输入和实现与已发表描述的一致性，评估方法的方法论复杂度。
• 系统记录了出版物与代码之间的差异，包括在相似性矩阵上错误应用k-means聚类，以及对对数转换的TPM数据不恰当地使用泊松分布建模。
• 评估了外部数据（如GO和PPI网络）的作用，质疑当结果对PPI网络选择不敏感时，其对潜能估算的贡献是否真实。
• 对关键假设进行了批判性评估，例如CytoTRACE依赖基因计数作为潜能的代理指标，可能混淆了文库大小效应。

实验结果

研究问题

• RQ1 从单细胞RNA测序数据估算细胞潜能的不同计算方法在底层假设和方法论设计上存在哪些差异？
• RQ2 在所审查的11种方法中，已发表的方法描述与其实现代码在多大程度上保持一致？
• RQ3 现有细胞潜能估算方法中存在哪些关键的方法论缺陷或不一致，例如算法使用错误或不适当的统计建模？
• RQ4 为何目前难以对细胞潜能估算方法进行公平基准测试？这对方法评估有何影响？
• RQ5 基于均值、基于熵和基于相关性的方法之间存在的概念矛盾，如何影响细胞潜能评分的可靠性和可解释性？

主要发现

• 在多种方法中发现了已发表方法描述与代码实现之间的差异，包括SLICE中在基因-基因相似性矩阵上错误应用k-means聚类，以及dpath中对对数转换的TPM数据不恰当地使用泊松分布。
• CytoTRACE所依赖的‘基因计数反映细胞潜能’的假设，可能将文库大小与生物潜能混淆，引发对技术伪影混杂的担忧。
• 若干方法（如CCAT）声称对PPI网络选择具有鲁棒性，但这削弱了PPI网络在潜能估算中贡献的可信度。
• 基于熵的方法假设基因表达分布均匀表示高潜能，而基于均值的方法则强调‘重要’基因的表达，导致根本性的概念矛盾。
• 缺乏依据的临时参数广泛存在，且归一化策略各异，尚未就最优方法达成明确共识。
• 由于缺乏单细胞水平的真实标签，公平基准测试无法实现，而当前的黄金/银色标准数据集仅提供群体水平的注释。