SCMEDAL：一种可解释的单细胞转录组分析方法，通过深度混合效应自编码器实现批量效应的可视化

《Nature Communications》：scMEDAL: interpretable single-cell transcriptomics analysis with batch effect visualization via deep mixed-effects autoencoder

　　

摘要

单细胞RNA测序能够实现高分辨率的细胞异质性分析，但将生物信号与批次效应区分开来仍然具有挑战性。现有的批次校正算法主要是抑制或丢弃与批次相关的变异，而非对其进行建模。我们提出了scMEDAL（单细胞混合效应深度自编码器学习）框架，该框架能够分别独立地建模批次不变效应和批次特定效应。其中的核心创新是scMEDAL-RE，它是一种随机效应贝叶斯自编码器，能够在保留受批次效应干扰的生物学信息的同时学习批次特定的表示形式——这些信息在标准校正方法中往往会被丢失。在多种条件下（如自闭症、白血病、心血管疾病）、不同细胞类型以及技术性和生物学效应的影响下，scMEDAL-RE生成的批次特定嵌入结果具有可解释性，能够补充多种批次校正方法，从而提高对疾病状态、供体群体和组织的预测准确性。scMEDAL还提供了可视化工具，包括模拟细胞在另一批次中表达情况的反事实重建。总体而言，scMEDAL是一个多功能且易于理解的框架，它能够补充现有的校正方法，为理解细胞异质性和数据获取过程提供新的视角。