[论文解读] Deep Learning in Single-Cell and Spatial Transcriptomics Data Analysis: Advances and Challenges from a Data Science Perspective

Shuang Ge, Shuqing Sun+3 more|arXiv (Cornell University)|Dec 4, 2024

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

一句话总结

本文综述了深度学习（DL）在单细胞和空间转录组学中的应用，针对四大关键数据科学挑战：数据稀疏性、多样性、稀缺性和相关性。在来自9个基准的21个精选数据集上评估了58种方法，突出显示深度学习在处理高维、噪声大、多模态数据方面的优势，并提出了在人工智能方法、基准测试和临床转化方面的未来方向。

ABSTRACT

The development of single-cell and spatial transcriptomics has revolutionized our capacity to investigate cellular properties, functions, and interactions in both cellular and spatial contexts. However, the analysis of single-cell and spatial omics data remains challenging. First, single-cell sequencing data are high-dimensional and sparse, often contaminated by noise and uncertainty, obscuring the underlying biological signals. Second, these data often encompass multiple modalities, including gene expression, epigenetic modifications, and spatial locations. Integrating these diverse data modalities is crucial for enhancing prediction accuracy and biological interpretability. Third, while the scale of single-cell sequencing has expanded to millions of cells, high-quality annotated datasets are still limited. Fourth, the complex correlations of biological tissues make it difficult to accurately reconstruct cellular states and spatial contexts. Traditional feature engineering-based analysis methods struggle to deal with the various challenges presented by intricate biological networks. Deep learning has emerged as a powerful tool capable of handling high-dimensional complex data and automatically identifying meaningful patterns, offering significant promise in addressing these challenges. This review systematically analyzes these challenges and discusses related deep learning approaches. Moreover, we have curated 21 datasets from 9 benchmarks, encompassing 58 computational methods, and evaluated their performance on the respective modeling tasks. Finally, we highlight three areas for future development from a technical, dataset, and application perspective. This work will serve as a valuable resource for understanding how deep learning can be effectively utilized in single-cell and spatial transcriptomics analyses, while inspiring novel approaches to address emerging challenges.

研究动机与目标

• 系统分析单细胞和空间转录组学中的四大主要数据科学挑战：稀疏性、多样性、稀缺性和相关性。
• 在来自9个基准的21个数据集上，评估58种计算方法在填补缺失值、聚类和多组学整合等任务中的性能表现。
• 从准确性、可解释性和鲁棒性角度，比较深度学习方法与传统机器学习方法在复杂生物数据上的表现。
• 识别当前基准的局限性，包括评估指标和数据集代表性问题，并倡导开发具有生物可解释性、公平性和鲁棒性的基准。
• 概述人工智能方法、数据集构建以及单细胞和空间组学中深度学习在真实临床应用方面的未来研究方向。

提出的方法

• 作者从9个成熟基准中整理出21个数据集，涵盖填补缺失值、细胞身份识别、聚类、基因调控网络推断以及多组学整合等任务。
• 评估了58种计算方法，包括自编码器、变分自编码器、图神经网络、生成对抗网络和卷积神经网络等深度学习模型。
• 采用标准指标（如准确率、AUC和RMSE）进行性能评估，同时通过体外验证和基于仿真的基准强调生物相关性。
• 综述整合了深度学习模型的数学基础，与传统机器学习技术进行比较，并讨论其在建模复杂生物依赖关系和时空相关性方面的能力。
• 提出通过可解释的参数化规则将深度学习模型与已有生物知识关联，以增强可解释性。
• 倡导采用动态、持续更新的模型以及基于仿真的数据生成方法，以提升在未见或不确定数据上的泛化能力和鲁棒性。

实验结果

研究问题

• RQ1 深度学习模型在处理高维、稀疏且噪声大的单细胞和空间转录组学数据方面，相较于传统机器学习方法有何优势？
• RQ2 当前基准数据集和评估指标在反映计算方法真实性能和泛化能力方面存在哪些关键局限？
• RQ3 如何利用深度学习有效实现多模态和多源数据的整合，以提升生物可解释性和预测准确性？
• RQ4 在单细胞和空间组学中，建模时空依赖关系并整合先验生物知识到深度学习框架面临的主要挑战是什么？
• RQ5 在人工智能方法、数据集构建和临床应用方面，哪些未来研究方向对推动单细胞和空间转录组学领域的发展最为关键？

主要发现

• 深度学习模型，特别是自编码器、图神经网络和生成模型，在处理高维、稀疏且噪声大的单细胞和空间转录组学数据方面，相较于传统方法表现更优。
• 综述指出，当前基准常缺乏生物相关性，未能反映不同测序平台引入的异质性以及连续时空设置下的复杂性。
• 准确率、AUC和RMSE等评估指标虽被广泛使用，但不足以充分衡量模型性能；通过体外实验进行生物验证对确认模型预测的意义至关重要。
• 基于仿真的数据生成是一种有前景的方法，可用于创建多样化、带标签的基准数据集，从而提升模型评估和泛化能力。
• 迫切需要公平、稳健且具有生物可解释性的评估指标，超越标准性能分数，以真实反映实际应用场景的适用性。
• 未来研究应优先关注动态、持续更新的深度学习模型，整合先验生物知识，并推动深度学习方法在临床和精准医学中的转化应用。