[论文解读] optimalFlow: Optimal-transport approach to flow cytometry gating and population matching

Eustasio del Barrio, Hristo Inouzhe+3 more|arXiv (Cornell University)|Jul 18, 2019

Single-cell and spatial transcriptomics参考文献 35被引用 21

一句话总结

该论文提出 optimalFlow，一种基于最优传输的新型流式细胞术门控与群体匹配框架，利用 Wasserstein 平均中心和熵正则化最优传输，将细胞样本聚类为生物上一致的组别。通过从这些聚类中构建原型细胞样本（模板），该方法显著提升了新样本上监督学习的性能，在基准数据集上优于当前最先进技术。

ABSTRACT

Data obtained from Flow Cytometry present pronounced variability due to biological and technical reasons. Biological variability is a well-known phenomenon produced by measurements on different individuals, with different characteristics such as illness, age, sex, etc. The use of different settings for measurement, the variation of the conditions during experiments and the different types of flow cytometers are some of the technical causes of variability. This mixture of sources of variability makes the use of supervised machine learning for identification of cell populations difficult. The present work is conceived as a combination of strategies to facilitate the task of supervised gating. We propose $optimalFlowTemplates$, based on a similarity distance and $\ ext{Wasserstein barycenters}$, which clusters cytometries and produces prototype cytometries for the different groups. We show that supervised learning, restricted to the new groups, performs better than the same techniques applied to the whole collection. We also present $optimalFlowClassification$, which uses a database of gated cytometries and optimalFlowTemplates to assign cell types to a new cytometry. We show that this procedure can outperform state of the art techniques in the proposed datasets. Our code is freely available as $optimalFlow$ a Bioconductor R package at https://bioconductor.org/packages/optimalFlow. optimalFlowTemplates+optimalFlowClassification addresses the problem of using supervised learning while accounting for biological and technical variability. Our methodology provides a robust automated gating workflow that handles the intrinsic variability of flow cytometry data well. Our main innovation is the methodology itself and the optimal-transport techniques that we apply to flow cytometry analysis.

研究动机与目标

• 解决流式细胞术数据中生物与技术变异带来的挑战，这些挑战会阻碍监督机器学习的应用。
• 开发一种稳健、自动化的门控工作流程，以应对数据固有的变异。
• 利用最优传输方法，为相似细胞样本的聚类创建具有代表性的原型细胞样本（模板）。
• 通过利用先前已门控样本的数据库，提升新细胞样本的分类准确率。
• 提供一种可扩展、可解释且具有统计学基础的替代方案，以替代人工和启发式自动化门控。

提出的方法

• 该方法使用熵正则化最优传输，计算表示细胞样本的概率测度之间的相似性距离。
• 在 Wasserstein 空间中应用截断的 k-平均中心计算，从相似细胞样本的聚类中生成具有代表性的原型细胞样本。
• optimalFlowTemplates 基于 Wasserstein 距离对细胞样本进行聚类，并构建平均中心作为群体原型。
• optimalFlowClassification 利用已门控细胞样本的数据库和模板，通过在 Wasserstein 空间中进行最近邻分配对新细胞样本进行分类。
• 该框架利用 Wasserstein 空间的几何结构，有效处理高维、非高斯和偏态的流式细胞术数据。
• 该方法以 Bioconductor R 包的形式实现，确保可重现性，并可无缝集成到现有的细胞术分析流程中。

实验结果

研究问题

• RQ1 基于最优传输的细胞样本聚类能否减少生物与技术变异，从而提升下游分类性能？
• RQ2 Wasserstein 平均中心能否作为细胞样本群体的有效、代表性原型？
• RQ3 基于模板表示的监督分类是否优于直接对原始细胞样本数据进行分类？
• RQ4 与当前最先进的自动化门控和分类技术相比，该方法表现如何？
• RQ5 该框架能否有效处理高维、非高斯和偏态的流式细胞术数据？

主要发现

• optimalFlowTemplates 通过最小化 Wasserstein 距离，成功识别出生物上一致的细胞样本聚类，显著降低组内差异性。
• 使用平均中心作为原型，能够捕捉每个聚类的中心趋势，同时保留其几何与分布结构特征。
• 将监督学习限制在模板聚类组内，其分类准确率显著高于在完整未聚类数据集上的表现。
• optimalFlowClassification 在基准流式细胞术数据集上的表现优于当前最先进方法，展现出更优的分类性能。
• 熵正则化最优传输的公式设计，实现了高维数据下的高效且稳定的计算。
• 该方法对技术变异具有鲁棒性，能有效处理流式细胞术中常见的偏态和非高斯分布。