
数据越来越多,为什么反而越来越难放在一起?
今天的流式细胞术已经可以同时检测超过50个细胞特征,而CITE-seq可以把抗体检测与单细胞转录组结合起来,蛋白维度进一步增加。
问题在于,不同研究往往并不检测完全相同的标志物(marker)。
一项研究可能检测CD3、CD4、CD8和CD16,另一项研究则检测CD3、CD4、CD56和CD57。两项数据当然存在共同信息,但如果简单拼接,就会出现大量“缺失值”。
与此同时,即使两项研究使用完全相同的抗体,不同染色条件、试剂批次、仪器状态和实验流程也可能形成明显的批次效应(batch effect)。
|
公开数据库里可能已经有数以亿计的单细胞数据,但这些数据往往更像一座座彼此分开的岛,而不是一个可以联合分析的细胞图谱。 |
CytoVI试图解决的正是这个问题。
CytoVI不是简单“补缺失值”,而是先学习细胞本身的状态
CytoVI的核心是一类变分自编码器(variational autoencoder,VAE)。
可以把它理解为两部分。
编码器(encoder)首先读取一个细胞已经检测到的蛋白表达信息,将这个细胞压缩到一个低维的潜在空间(latent space)中。这个潜在位置试图描述的是细胞自身的生物学状态,而不是实验批次或者使用了哪台仪器。
随后,解码器(decoder)根据这个潜在状态重新生成蛋白表达分布。
关键在于,CytoVI可以把实验批次、检测平台、抗体面板等因素作为协变量加入模型。这样,模型学习的目标不只是“还原数据”,还要尽可能把技术差异与生物学差异分开。
如果两个实验只有部分抗体重叠,编码器主要利用共同存在的标志物判断细胞位于潜在空间中的什么位置;随后,解码器再利用其他数据中学到的规律,推断当前实验没有检测的蛋白。
因此,这里的“补全”本质上属于插补(imputation)。
|
CytoVI推断出的CD57表达,并不等于实验真的检测到了CD57。它代表的是:在当前模型和参考数据成立的条件下,这个细胞最可能具有怎样的CD57表达。 |
而且模型同时给出不确定性,这一点对生物医学应用尤其重要。
随机删掉大量标志物之后,模型还能认出这些细胞吗?
研究人员首先测试CytoVI是否能够在去除批次效应的同时保留原有的细胞类型结构。
在外周血单个核细胞(peripheral blood mononuclear cells,PBMCs)数据中,CytoVI形成的潜在空间能够区分B细胞、NK细胞、单核细胞和不同T细胞亚群,甚至能够保留占比不足2%的树突状细胞。
研究人员进一步进行了一个颇有意思的压力测试。
他们在包含41个标志物的数据中逐渐随机遮蔽部分标志物。结果显示,在这套特定数据中,直到被遮蔽的标志物超过29个时,细胞标签保留和批次校正性能才开始明显受到影响。
这并不意味着以后做流式实验只需要检测十几个蛋白。这个实验更合理的解读是:多个蛋白之间存在高度结构化的相关关系,而生成模型能够利用这种多标志物结构推断细胞状态。
CytoVI处理100万个细胞的训练时间低于35分钟,说明这种方法至少在现代计算资源下具有较好的扩展能力。
两套只重叠15个标志物的Panel,能不能拼成一套更大的Panel?
研究人员接下来整合了两项独立的流式细胞术研究。
其中一套包含35个蛋白标志物以及FSC/SSC,另一套包含30个蛋白,两者只有15个共同的骨架标志物。
CytoVI首先根据这些共同标志物建立共享潜在空间,然后推断双方没有共同检测的蛋白。
结果,一个实验中存在的CD161、CD57,以及另一个实验检测的KLRG1,可以被投射到联合数据中,从而进一步区分CD56dimCD16+ NK细胞内部的状态。
|
抗体Panel不一定必须完全相同,才能进行联合分析。 |
如果不同Panel之间存在足够的信息连接,那么过去互不兼容的数据,有机会通过概率模型被组织到同一个蛋白表达空间中。
这意味着实验设计也可能发生变化。
未来研究人员或许不必要求所有样本都使用一套极其庞大的Panel,而可以考虑多个部分重叠的Panel,再通过计算方法构建更高维的综合图谱。
当然,这一策略能走多远,取决于共同标志物是否足以描述细胞状态,以及不同蛋白之间的统计关系能否跨队列稳定重复。
12套Panel,每套约39个蛋白,最后得到350个蛋白的B细胞图谱
这项研究中最直观的展示之一,是B细胞成熟图谱。
原始数据来自两名健康供者,共使用12套部分重叠的CyTOF抗体Panel,每套大约检测39个蛋白,而所有Panel共同拥有的标志物只有9个。
研究人员利用CytoVI整合这些数据,最终得到覆盖350个表面蛋白的B细胞成熟图谱。
模型重建出的轨迹符合已知的B细胞发育过程:
过渡型B细胞(transitional B cell) → 初始B细胞(naive B cell) → 非类别转换记忆B细胞(non-class-switched memory B cell)或类别转换记忆B细胞(class-switched memory B cell)
免疫球蛋白的变化也呈现出了清晰的生物学逻辑。
随着B细胞走向类别转换记忆状态,IgD和IgM逐渐下降,IgA增加;而没有发生类别转换的记忆B细胞则继续保留IgD和IgM。
进一步的差异蛋白分析还筛出了CD62L、CD71和CD100等与类别转换过程相关的蛋白。
这说明CytoVI的价值并不仅仅是“把不同批次混得更均匀”。
|
更重要的问题是:整合之后的数据,是否仍然保留了足够精细的生物学连续变化,以至于能够重新发现有意义的分化轨迹和候选调控蛋白? |
这项B细胞分析给出了一个积极的示例。
更有意思的是:一种技术缺少的信息,能否从另一种技术中“借”过来?
流式细胞术通常包含前向散射光(forward scatter,FSC)和侧向散射光(side scatter,SSC)。
前者与细胞大小相关,后者通常反映细胞内部复杂程度和颗粒度。
CyTOF则没有这类散射信息。
研究人员将健康PBMC的流式细胞术和CyTOF数据整合后,让CytoVI根据蛋白表达推断CyTOF细胞对应的FSC和SSC。
结果呈现出了典型的细胞形态规律:髓系细胞表现出更高的FSC和SSC,记忆T细胞的细胞大小和颗粒度也高于初始T细胞。
按不同免疫细胞群的平均值比较,推断值与流式检测结果的Pearson相关系数甚至达到r=1.00。
但这里尤其值得保持谨慎。
这个r=1.00是细胞群平均水平上的相关性,并不等于每一个单细胞的形态参数都能够被接近完美地预测。
这恰恰说明,在评价生成模型时,仅看到一个很高的相关系数是不够的。需要继续追问:比较的是单细胞还是细胞群?参考数据是否独立?不同实验室能否重复?
63名淋巴瘤患者的数据里,模型找到了一群此前没有被重点识别的T细胞
CytoVI随后进入了更加复杂的疾病场景。
研究人员分析了63名B细胞非霍奇金淋巴瘤(B cell non-Hodgkin lymphoma,BNHL)患者和对照淋巴结样本,包括17例弥漫大B细胞淋巴瘤(DLBCL)、24例滤泡性淋巴瘤(FL)、9例套细胞淋巴瘤(MCL)、6例边缘区淋巴瘤(MZL)以及7例对照淋巴结。
数据来自两套部分重叠的流式Panel:每套12个蛋白,其中只有8个蛋白重叠。
CytoVI在不预先规定细胞簇的情况下进行了差异丰度分析(differential-abundance analysis)。
结果不仅复现了一些已知现象,例如FL中滤泡辅助性T细胞(follicular helper T cell)增加、DLBCL和MZL中增殖T细胞增加,还发现了一小群在DLBCL和MCL中富集的CD4/CD8双阴性T细胞(double-negative T cell)。
仅靠原来的流式Panel,研究人员无法准确判断这些细胞究竟是什么。
于是研究进一步整合CITE-seq数据,并推断流式细胞的转录组。
这些细胞表现出GZMA、GZMB、PRF1、GZMK和IFNG等细胞毒分子,同时表达NKG7、KLRC2、KLRC3和KLRG1等先天样受体;它们缺乏TCR β转录本,却表达TCR γ/δ恒定区。
|
这些证据共同指向一个解释:它们很可能是一群细胞毒性γδ T细胞(cytotoxic γδ T cell)。 |
实测的CITE-seq转录组中也能找到相似的IFNG+ γδ T细胞群,不过由于接受CITE-seq检测的样本数量有限,疾病富集趋势的统计效力仍然不足。
这个案例可能比单纯提高某个算法评分更值得关注。
|
先用高通量流式数据找到异常细胞状态,再利用少量高维单细胞组学数据帮助解释这些细胞究竟是什么。 |
当CytoVI走进临床流式,结果反而没有那么“完美”
研究最后测试了另一个很现实的问题:CytoVI能不能辅助慢性淋巴细胞白血病(chronic lymphocytic leukemia,CLL)的自动识别?
研究人员先使用10名高肿瘤负荷CLL患者和10名未检测到疾病的对照建立参考模型。
CytoVI能够识别具有典型CD5+CD20dim表型的CLL细胞。在这组参考数据中,模型得到的CLL细胞比例与血液科专业人员的人工分析高度一致,相关系数达到r=0.99。
随后,研究人员把已经训练好的模型应用到此前没有参与训练的新样本中,包括14名高肿瘤负荷CLL患者、21名低肿瘤负荷患者以及40名未检测到疾病的对照。
到了这里,问题开始变难。
新样本中,模型预测的CLL细胞比例与人工结果的相关系数下降到r=0.69。
更重要的是,单独依靠CLL细胞比例,并不能很好地区分低肿瘤负荷病例和阴性对照。
研究人员随后加入免疫球蛋白κ:λ轻链比值,这是判断B细胞克隆性的经典指标。将预测的CLL细胞比例与κ:λ比值共同输入决策树分类器后,对包括微小残留病(minimal residual disease,MRD)在内的病例进行分类,其ROC曲线下面积(AUC-ROC)为0.74±0.09。
这是一个有价值、但绝不是接近完美的数字。
它更适合被理解为临床可行性证明(proof of concept),而不是“人工流式阅片即将被替代”。
这项研究最值得关注的,也许不是某一个算法指标
CytoVI提出的思路,实际上在挑战抗体单细胞数据长期以来的一种使用方式。
过去,我们通常把一次流式实验理解为一个封闭的数据集:检测了什么,就分析什么;没有检测的蛋白,实验结束以后就无法再获得。
生成模型提供了另一种视角。
如果大量细胞数据已经建立起稳定的多蛋白相关结构,那么一个新数据集可能不再是孤立的。它可以被映射到已有参考空间中,可以继承细胞类型信息,可以借助其他Panel推断未检测蛋白,也可能借助CITE-seq获得更丰富的分子解释。
|
计算推断增加的是可利用的信息,而不是重新创造实验事实。 |
350个蛋白的B细胞图谱令人印象深刻,但它主要依赖两名供者和多个部分重叠Panel;淋巴瘤中的γδ T细胞发现很有启发性,但CITE-seq样本数量限制了统计效力;CLL分析证明了自动化的潜力,但面对低肿瘤负荷病例时,AUC仍只有0.74±0.09。
这些结果反而让这项研究更值得思考。
|
未来抗体单细胞分析的竞争,可能不再只是“一个Panel最多能放多少抗体”,而是另一个问题: 我们能否让不同年代、不同实验室、不同平台、不同Panel产生的数据,在一个可信且能够表达不确定性的模型中持续积累? |
如果答案最终是肯定的,那么过去大量被分开保存的流式细胞数据,可能并不是已经完成使命的旧数据。
它们或许只是还没有被连接起来。