2019年10月8日，来自清华大学生命科学学院的张强锋教授团队在Nature Communications上在线发表了题为SCALE method for single-cell ATAC-seq analysis via latent feature extraction 的工作，通过深度学习的方法提取数据低维的隐层特征，来对单细胞ATAC-seq 数据进行聚类、可视化、缺失值填补、降噪、以及下游生物信息挖掘，有效地解决了数据高维度稀疏性的问题。
SCALE 的算法框架结合了变分自编码器（VAE）和高斯混合模型（GMM）。变分自编码器是一类无监督的生成模型，可以用来进行数据的特征提取；高斯混合模型是多个高斯分布的线性组合。SCALE结合两者来拟合多模态的单细胞ATAC-seq数据分布（图1）。
图1. SCALE的模型框架
相同类别细胞的染色质开放图谱具有相似的模式（pattern），但在有着大量缺失值的高维染色质开放图谱空间中难以识别这些模式，更难以做基于这些模式的聚类分析。若用一些低维的抽象特征表示细胞，每一维的特征代表一定的模式，在这样低维的特征空间缺失值会大大降低，相似的细胞可以更容易地聚集在一起并且彼此共享信息。SCALE充分利用这一特点，通过变分自编码器的编码器（Encoder）提取满足高斯混合模型的低维隐层特征，使得不同维度之间具有低耦合性，分别表征不同细胞类别的模式，而相同类别的细胞彼此之间共享高斯混合模型的参数，从而实现共享信息来达到相互弥补缺失信息的效果，最终通过解码器（Decoder）还原出弥补缺失值后的增强数据（Enhanced data）。在此基础上，SCALE对这些可以表征细胞类别的隐层特征进行聚类（Clustering）、可视化（Visualization），和更多数据分析。
通过SCALE增强的数据可以很好用于下游生物信息挖掘。在小鼠的前脑Forebrain数据集上，相比于原始数据，在SCALE增强的数据上，通过motif 富集软件chromVAR分析，可以发现更多的、特异性更显著的转录因子（图2）。比如对macroglia细胞的激活至关重要转录因子Mafb，只在SCALE增强的数据上被发现在macroglia（MG）细胞中显著富集；又比如在excitatory neurons（EX）细胞中扮演重要调控角色的转录因子Neurog1，在excitatory neurons细胞的富集效果， SCALE增强的数据显示了相比于原始数据更显著的特异性。
图2. 在SCALE的增强的数据上发现更多、特异性更显著的转录因子
此外，SCALE还具有消除批次效应的潜力。批次效应是指由于实验技术、器材等非生物样本原因导致的数据上存在整体差异，在单细胞测序的数据分析中是一个重大挑战。研究者发现SCALE提取的特征可以捕捉到批次效应，通过将这些与批次效应相关的特征去除之后，可以消除批次差异，只保留生物学上的差异（图3）。比如小鼠breast tumor 数据集，是由两盘Epcam+细胞和两盘CD45+细胞组成，SCALE可以很好地将两类细胞分开。然而分析发现，可视化的细胞群体中存在一些Plate相关的偏差。通过进一步分析SCALE提取的特征，发现有一些维度的特征与Plate相关，而另外一些维度的特征则是Plate无关的，只表征细胞类型。在后续分析中，只要剔除Plate相关特性，可以起到消除批次效应的效果。
图3. SCALE消除批次效应
厂颁础尝贰目前在骋颈迟贬耻产上开源共享（丑迟迟辫蝉://驳颈迟丑耻产.肠辞尘/箩蝉虫濒别颈/厂颁础尝贰），普通用户可以通过一键安装免费便捷地使用厂颁础尝贰，商业用户需联系作者获取使用授权。
研究背景
近年来，深度学习等人工智能技术在图像识别，自然语言处理等领域取得了令人瞩目的成就。人工智能技术应用于生命科学，对生物信息多个领域产生了重大的影响。深度学习算法借助于生命科学大数据的飞速发展，从海量大数据中自动高效地提取特征进行学习，极大超越了依赖人工提取特征的传统人工智能算法，在医疗图像处理、结构预测、药物研发、以及基因组数据分析等诸多领域大显身手。在生命组学的前沿单细胞搁狈础测序领域，深度学习等人工智能算法也逐渐得到应用，并取得不错的结果。然而深度学习应用于单细胞测序数据分析，面临着数据稀疏性、维度灾难、以及难以解释等诸多挑战。
染色质开放区域是基因组编码生命信息的窗口，在染色体开放区域上包含了很多重要的转录因子结合位点和基因调控的基因组元件。ATAC-seq （Assay for Transposase-Accessible Chromatin using sequencing）技术通过Tn5 DNA转座酶在开放染色质两端插入测序接头来标记该区域，从而获得开放染色质的位置、转录因子结合位点、核小体的调控区域以及染色质状态等信息。单细胞测序技术凭借着可以完美地解决微量细胞、样本稀少、细胞异质性等问题的优势，已经广泛应用于发育、肿瘤、免疫、神经等领域。为进一步获得“高分辨率”的单细胞精度的染色质开放图谱，近几年科学家们发展了单细胞ATAC-seq 技术，通过分析不同细胞个体及亚群的染色质开放图谱差异来揭示细胞异质性的调控机制。
单细胞础罢础颁-蝉别辩数据具有以下几个特点：高维度，即可以检测到的可能开放区域高达几十万；二值性，即每个开放区域在二倍体基因组上通常只有两个拷贝，造成数据接近于二值化；极端稀疏性，由于细胞异质性以及技术原因，导致对每一个单细胞都有大量开发区域没有信号。这些数据特征给单细胞异质性分析带来了巨大的挑战。传统的降维和可视化方法像笔颁础和迟-厂狈贰，以及基于样本距离聚类的方法都无法在单细胞础罢础颁-蝉别辩数据上取得很好的效果。另外，由于单细胞础罢础颁-蝉别辩相比于单细胞搁狈础-蝉别辩数据，具有二值化和更加稀疏的特性，直接应用单细胞搁狈础-蝉别辩的软件和方法来分析单细胞础罢础颁-蝉别辩数据通常效果也不太理想。
投诉侵权
