[论文解读] Negative binomial count splitting for single-cell RNA sequencing data

Anna Neufeld, Joshua M Popp+3 more|arXiv (Cornell University)|Jul 24, 2023

Single-cell and spatial transcriptomics被引用 5

一句话总结

本文提出负二项计数分割方法，通过在负二项分布模型下利用狄利克雷-多项式抽样，从单个scRNA-seq计数矩阵中生成独立的训练集与测试集。该方法在过度分散数据中优于泊松计数分割，在无需生物重复样本的情况下实现scRNA-seq分析中模型验证与可重复性评估的有效性。

ABSTRACT

The analysis of single-cell RNA sequencing (scRNA-seq) data often involves fitting a latent variable model to learn a low-dimensional representation for the cells. Validating such a model poses a major challenge. If we could sequence the same set of cells twice, we could use one dataset to fit a latent variable model and the other to validate it. In reality, we cannot sequence the same set of cells twice. Poisson count splitting was recently proposed as a way to work backwards from a single observed Poisson data matrix to obtain independent Poisson training and test matrices that could have arisen from two independent sequencing experiments conducted on the same set of cells. However, the Poisson count splitting approach requires that the original data are exactly Poisson distributed: in the presence of any overdispersion, the resulting training and test datasets are not independent. In this paper, we introduce negative binomial count splitting, which extends Poisson count splitting to the more flexible negative binomial setting. Given an $n imes p$ dataset from a negative binomial distribution, we use Dirichlet-multinomial sampling to create two or more independent $n imes p$ negative binomial datasets. We show that this procedure outperforms Poisson count splitting in simulation, and apply it to validate clusters of kidney cells from a human fetal cell atlas.

研究动机与目标

• 解决在缺乏生物重复样本时验证单细胞RNA-seq数据中潜在变量模型的挑战。
• 克服泊松计数分割方法在过度分散条件下因训练集与测试集之间产生依赖关系而失效的局限性。
• 开发一种灵活且可推广的方法，用于在真实负二项分布下实现scRNA-seq中模型验证与推断，同时保持统计独立性。
• 实现在人类胎儿肾细胞图谱等复杂数据集中对聚类可重复性与模型拟合度的可靠评估。

提出的方法

• 提出负二项计数分割作为泊松计数分割的扩展，以处理过度分散的scRNA-seq数据。
• 利用狄利克雷-多项式抽样，将每个观测计数分割为两个或更多独立的负二项计数。
• 将原始数据建模为负二项分布，其基因特异性过度分散参数由完整数据集估计得出。
• 通过条件化于过度分散参数并采用对称分割（如ε₁ = ε₂ = 0.5）确保生成的训练集与测试集在统计上相互独立。
• 将该方法应用于scRNA-seq数据，将其分割为独立的训练集与测试集，以支持聚类、去噪及关联检验等下游验证任务。
• 通过R包countsplit及配套教程，将该方法集成至现有scRNA-seq工作流中。

Figure 1: (a) Data $X\in\mathbb{Z}_{\geq 0}^{100\times 2}$ , where each entry $X_{ij}$ is drawn independently from a negative binomial distribution with mean $5$ and variance $10$ . (b) The same data $X$ , colored by the clusters estimated when $k$ -means with $K=2$ is applied to $\log(X+1)$ . (c) T

实验结果

研究问题

• RQ1 我们能否在不使用生物重复样本的情况下，从单个scRNA-seq计数矩阵中生成独立的训练与测试数据集，同时在过度分散条件下保持统计独立性？
• RQ2 在过度分散数据中，负二项计数分割与泊松计数分割在模型验证性能方面有何差异？
• RQ3 在标准样本分割中因数据被重复使用，对scRNA-seq中聚类可重复性的估计被高估的程度有多大？
• RQ4 在人类胎儿肾等复杂组织中，负二项计数分割能否检测出主要细胞类型与罕见亚型之间可重复性的差异？
• RQ5 在分割过程中考虑过度分散是否能提升下游分析（如聚类验证与基因关联检验）中的推断可靠性？

主要发现

• 负二项计数分割成功地从单个scRNA-seq矩阵中生成了独立的训练与测试数据集，即使在过度分散条件下依然有效；而泊松计数分割因诱导出依赖关系而失效。
• 在模拟实验中，负二项计数分割在保持统计独立性及实现有效模型验证方面优于泊松计数分割。
• 在人类胎儿肾细胞图谱数据上的应用表明，与主要肾细胞类型相比，中胚层肾组织亚型的可重复性较低，而这一发现被标准样本分割方法所掩盖。
• 在10次重复实验中，负二项计数分割检测到中胚层亚型的调整兰德指数（ARIs）更低，表明聚类稳定性较差，而标准样本分割因数据重复使用而高估了可重复性。
• 算法6中基于sctransform的过度分散参数估计比假设数据服从泊松分布更接近真实情况，凸显了建模过度分散的重要性。
• R包countsplit使负二项计数分割可无缝集成至现有scRNA-seq分析流程中，支持可重复的模型验证与推断。

Figure 2: We generate $100,000$ independent realizations of $\mathbf{X}_{11}\sim\mathrm{NB}(25,8)$ . Then, for 50 values of $b_{1}^{\prime}$ ranging from $10^{-6}$ to $10^{6}$ , we split each of these realizations into $\mathbf{X}^{(1)}_{11}$ and $\mathbf{X}^{(2)}_{11}$ by applying Algorithm 2 with