利用Scanorama高效整合异质单细胞转录组

摘要

整合来自多个实验、实验室和不同技术的 single-cell RNA sequencing（scRNA-seq）数据可以揭示更丰富的生物学问题，但目前的scRNA-seq数据整合方法受到数据集来自功能相似细胞的要求的限制。我们提出了Scanorama算法，该算法可以识别和合并所有数据集对之间的共享细胞类型，并准确地集成scRNA-seq数据的异构集合。我们应用Scanorama整合和消除了来自代表9种不同技术的26个不同scRNA-seq实验的105,476个细胞的批次效应。Scanorama对同一细胞谱系内细微的时间变化敏感，成功整合了CD14+单核细胞（monocytes）在不同分化阶段分化为巨噬细胞（macrophages）的时间序列数据中功能相似的细胞。最后，我们表明Scanorama比现有技术快几个数量级，可以在约9小时内整合1,095,538个细胞。

Main

独立的single-cell RNA sequencing（scRNA-seq）实验已经被用于发现新的细胞状态和重建细胞分化轨迹。通过全球科学家的努力，研究人员目前正在生成大规模、全面的scRNA-seq数据集，这些数据集描述了多种细胞功能，有望实现对基础生物学和疾病过程的高分辨率观测。然而，由于实验批次、样本捐赠者或实验技术的不同，组合大型统一的参考数据集可能会受到影响。虽然最近的方法表明，可以在多个实验中整合scRNA-seq，但这些方法自动假设所有数据集共享至少一种共同的细胞类型，或者基因表达谱在所有数据集中共享基本相同的相关结构。因此，这些方法容易出现过度校正，尤其是在整合scRNA-seq存在很大差异的数据集时。

在此，我们提出Scanorama：一种有效整合多个scRNA-seq数据集的策略，即使它们由异质的转录表型组成。我们的方法类似于用于全景拼接的计算机视觉算法，该算法识别具有重叠内容的图像，并将这些图像合并到更大的全景中（图1a）。同样，Scanorama自动识别包含具有类似转录谱的细胞的scRNA-seq数据集，并可以利用这些匹配进行批次校正和整合（图1b）。Scanorama对不同的数据集大小和来源具有很强的鲁棒性，保留了特定于数据集的内容，并且不要求所有数据集共享至少一个细胞类型。

• 图1："全景"数据集合成示意图。
• a：全景拼接算法查找并合并重叠图像，以创建更大的组合图像。
• b：类似的策略也可用于合并异构scRNA-seq数据集。Scanorama搜索最近的邻居，以确定所有数据集对之间的共享细胞类型。基于超平面局部敏感哈希LSH和随机投影树的降维技术和近似近邻算法大大加快了搜索速度。相互链接的细胞形成匹配关系，可用于校正批次效应并将其合并在一起，从而在这些匹配的基础上连接形成的数据集成为scRNA-seq的"全景"。

我们的方法将相互最近邻匹配（一种在两个数据集之间查找相似元素的技术）推广到多个数据集之间查找相似元素。最初是为了在图像中进行模式匹配而开发的，寻找相互最近的邻居也被用于一次识别两个scRNA-seq数据集之间的共同细胞类型。然而，为了对齐两个以上的数据集，现有方法选择一个数据集作为参考，然后依次将所有其他数据集集成到参考中，一次一个，这可能导致次优结果，并且取决于数据集的考虑顺序。尽管Scanorama在对齐两个数据集的集合时采用了类似的方法，但在较大的数据集合上，它对顺序不敏感，并且不易发生过度更正，因为它可以在所有数据集对之间找到匹配。

为了优化在所有数据集中搜索匹配单元格的过程，我们介绍了两个关键步骤。我们没有在高维基因空间中进行最近邻搜索，而是通过基因表达矩阵对每个细胞进行有效的随机奇异值分解（SVD），将每个细胞的基因表达谱压缩为低维嵌入，这也有助于提高该方法对噪声的鲁棒性。此外，我们使用基于超平面局部敏感哈希和随机投影树的近似最近邻搜索，以极大地减少渐近和实际的最近邻查询时间。

Scanorama可以实现scRNA-seq数据集集成和批次校正。尽管Scanorama会带来更大的计算成本，但它使批次校正对于大型数据集是可行的，从而可以进行更广泛的下游分析。例如，我们可以对批次校正的基因表达数据进行差异表达分析。

结果

• 图2：Scanorama正确地集成了一个简单的数据集集合，而其他方法都失败了。
• a：我们将Scanorama应用于整合三个数据集：一个完全为Jurkat细胞（n=3257个细胞）、一个完全为293T细胞（n=2885个细胞）和一个50/50比例混合的Jurkat和293T细胞数据集（n=3388个细胞）。
• b：我们的方法正确地将Jurkat细胞（橙色）和293T细胞（蓝色）整合为两个独立的簇。
• c和d：现有的scRNA-seq数据集整合方法对其考虑数据集的顺序很敏感，并且可能会将Jurkat数据集和293T数据集错误地合并在一起，形成与实际细胞类型不对应的簇：scran MNN的整合结果见c，和Seurat CCA的整合结果见d。

• 图3：跨九种不同测序技术的26个单细胞数据集的全景整合。
• a：采用我们的方法对105476个细胞进行批次校正后的t-SNE分布。
• b和c：其他scRNA-seq数据集整合方法（scran MNN和Seurat CCA）不是为异构数据集集成而设计的，因此总是倾向于天真地将所有数据集合并到一个大集群中。
• d和e：Scanorama在不到6分钟的时间内，在低于12 GB的RAM中，集成了26个数据集的105476个细胞，这比当前的scRNA-seq集成方法要高效得多。

• 图4：Scanorama可扩展到包含100多万个细胞的数据集整合。
• a：Scanorama整合了来自小鼠大脑和脊髓的1095538个细胞。
• b 到 j：使用标记基因揭示细胞类型特异性的簇。

• 图5：Scanorama对细胞状态随时间发生的细微转录变化很敏感。
• a 到 c：热图行和列对应于时间过程研究中的不同数据集（包括同一时间点的数据集）。较高的比对分数（深蓝色）倾向于接近对角线，这表明来自较近时间点的数据集之间的转录相似性更大。在每个时间序列实验中，时间差异和对齐分数都显著相关。
• d 到 f：根据Monocle 2算法分配的伪时间进行可视化，Scanorama消除了不同技术获得的CD14+单核细胞的批次效应。而在使用scran MNN进行校正后，Monocle 2无法再识别正确轨迹。原始数据见d、Scanorama见e和scran MNN见f。

总结

文章提出的方法是整合scRNA-seq的高效方案，与过去的ingest不同，不需要指定某个具体的参考数据集，其实过去方法的思想还是将数据整合到一个更大的簇中（域适应到参考数据集）。Scanorama利用全景生成的思想，可以实现同时多个数据集的整合，可以自动匹配不同数据集下的相同细胞类型，同时保留不同数据集下不同细胞类型的差异，是更合理的整合方法。

其中的异质指的是整合保留了两个数据集中真正存在差异的信息。Scanorama属于是实现了正确消除了技术，实验带来的批次效应。