[论文解读] The Gene Mover's Distance: Single-cell similarity via Optimal Transport

Riccardo Bellazzi, Andrea Codegoni+3 more|ArXiv.org|Feb 1, 2021

Single-cell and spatial transcriptomics参考文献 46被引用 8

一句话总结

本文提出了基因移动者距离（Gene Mover's Distance, GMD），一种基于最优传输理论的新型单细胞RNA测序数据相似性度量方法。通过将基因表达谱建模为离散概率测度，并使用基因嵌入（gene2vec）或皮尔逊相关系数作为基底距离，GMD通过最优传输计划计算细胞间相似性，实现了具有竞争力的分类性能——尤其在基于皮尔逊相关系数的代价下表现更优，优于欧氏距离，并在跨患者分类任务中表现出鲁棒性。

ABSTRACT

This paper introduces the Gene Mover's Distance, a measure of similarity between a pair of cells based on their gene expression profiles obtained via single-cell RNA sequencing. The underlying idea of the proposed distance is to interpret the gene expression array of a single cell as a discrete probability measure. The distance between two cells is hence computed by solving an Optimal Transport problem between the two corresponding discrete measures. In the Optimal Transport model, we use two types of cost function for measuring the distance between a pair of genes. The first cost function exploits a gene embedding, called gene2vec, which is used to map each gene to a high dimensional vector: the cost of moving a unit of mass of gene expression from a gene to another is set to the Euclidean distance between the corresponding embedded vectors. The second cost function is based on a Pearson distance among pairs of genes. In both cost functions, the more two genes are correlated, the lower is their distance. We exploit the Gene Mover's Distance to solve two classification problems: the classification of cells according to their condition and according to their type. To assess the impact of our new metric, we compare the performances of a $k$-Nearest Neighbor classifier using different distances. The computational results show that the Gene Mover's Distance is competitive with the state-of-the-art distances used in the literature.

研究动机与目标

• 为解决在高维稀疏数据中测量单细胞基因表达谱之间相似性的挑战。
• 通过用理论基础扎实的基于传输的方法替代传统距离度量，提升单细胞数据分析中的分类准确性。
• 评估基于生物信息学的代价函数（gene2vec或皮尔逊相关系数）的最优传输方法是否优于标准度量如欧氏距离。
• 研究基因嵌入完整性对GMD性能的影响，特别是对无可用嵌入的基因的影响。

提出的方法

• 将每个单细胞基因表达谱建模为基因上的离散概率测度。
• 将两个细胞之间的相似性表述为一个最优传输问题，以最小化将一个测度转化为另一个测度的代价。
• 定义两种基底距离函数：(1) gene2vec嵌入之间的欧氏距离（200维向量），(2) 基于皮尔逊相关系数的基因对之间距离。
• 使用网络单纯形算法高效求解得到的线性规划问题。
• 在k-最近邻（k-NN）分类器中应用GMD，用于细胞类型和条件分类。
• 通过重复的训练-测试划分和统计显著性检验（t检验）比较GMD与欧氏距离和皮尔逊相关系数的性能。

实验结果

研究问题

• RQ1 使用gene2vec嵌入作为基底代价的基于最优传输的相似性度量，是否能相比标准度量提升单细胞分类的准确性？
• RQ2 在真实单细胞数据集中，基于皮尔逊相关系数的基底距离是否优于基于gene2vec的GMD？
• RQ3 某些基因缺少gene2vec嵌入时，对GMD的性能和鲁棒性有何影响？
• RQ4 在单细胞数据的k-NN分类中，GMD是否在统计上显著优于传统距离度量？

主要发现

• 在GSE67835脑细胞数据集上，基于皮尔逊相关系数作为基底距离的GMD在跨患者分类中准确率超过0.8，优于欧氏距离和基于gene2vec的GMD。
• 基于gene2vec的GMD性能略低于基于皮尔逊相关系数的GMD，可能由于数千个基因缺少嵌入，限制了其适用范围。
• t检验结果表明，基于gene2vec的GMD在所有测试实例（成年、胎儿、合并）中均显著优于欧氏距离（p < 0.05）。
• 在基于皮尔逊相关系数的GMD与其他两种度量之间未发现统计显著差异（p > 0.05），表明其具有鲁棒性和一致性。
• GMD在预测得分中表现出较低的四分位距，表明在重复实验中具有高稳定性与低方差。
• 结果表明，在当前单细胞应用中，基于皮尔逊相关系数的基底距离比gene2vec嵌入更具可靠性，原因在于其完整性与生物学相关性。