论文阅读：A parameter-free deep embedded clustering method for single-cell RNA-seq data

Yuansong Zeng, Zhuoyi Wei, Fengqi Zhong, Zixiang Pan, Yutong Lu, Yuedong Yang, A parameter-free deep embedded clustering method for single-cell RNA-seq data, Briefings in Bioinformatics, Volume 23, Issue 5, September 2022, bbac172, parameter-free deep embedded clustering method for single-cell RNA-seq data | Briefings in Bioinformatics | Oxford Academic

论文：parameter-free deep embedded clustering method for single-cell RNA-seq data | Briefings in Bioinformatics | Oxford Academic (oup.com)

代码：

https://github.com/biomed-AI/ADClust

---

摘要

单细胞核糖核酸（RNA）测序数据中的聚类分析被广泛用于发现细胞的异质性和状态。尽管已经开发了许多用于单细胞RNA测序分析的聚类方法，但大多数这些方法都需要提供聚类的数量。然而，事先知道细胞类型的确切数量并不容易，而且经验决定也不总是可靠的。本文开发了ADClust，一种用于单细胞RNA测序数据的自动深度嵌入聚类方法，可以在不需要预先定义聚类数量的情况下准确地对细胞进行聚类。具体而言，ADClust首先通过预训练的自编码器获得低维表示，并使用这些表示将细胞聚类成初始微聚类。然后，通过统计测试比较这些聚类，将相似的微聚类合并成更大的聚类。根据聚类结果，更新细胞表示，使每个细胞被拉向其分配聚类和相似聚类的中心，同时将细胞分开以保持聚类之间的距离。这是通过共同优化精心设计的聚类和自编码器损失函数来实现的。此合并过程持续进行直至收敛。ADClust在12个真实的单细胞RNA测序数据集上进行了测试，并显示在聚类性能和确定聚类数量的准确性方面优于现有方法。更重要的是，我们的模型为大型数据集提供了高速和可伸缩性。

ADClust方法

ADClust模型由两个模块组成：自编码器和聚类优化模块。自编码器旨在学习细胞的深度嵌入表示，而聚类优化模块则使用学习到的嵌入表示对细胞进行聚类。

自编码器模块

用于将输入的单细胞RNA测序基因表达数据 X 嵌入到低维空间中。自编码器是一种无监督神经网络，由编码器和解码器模块组成。编码器试图将输入数据嵌入到潜在空间中，而解码器试图将嵌入的数据重构回其原始空间。因此，通过最小化重构损失 Lres，自编码器可以有效地学习有用的低维潜在空间，计算公式如下：
 

其中，dec() 和 enc() 分别表示编码器和解码器函数。enc(x) 是对个体细胞基因表达 x 的学习嵌入表示。

聚类优化模块

基于学习到的嵌入表示，通过Louvain算法[36]将细胞聚类成丰富的初始微聚类。然后，通过Dip检验比较微聚类之间的差异，并通过精心设计的聚类损失函数合并相似的微聚类。

Dip检验和Dip得分

Dip检验是一种测量多模态性的统计检验，最早由J. A. Hartigan和P. M. Hartigan于20世纪80年代开发[29]。该检验检测两个聚类的样本（细胞）集，并输出一个Dip得分 ∈[0,1] 作为样本集单峰性的概率。Dip得分较大的两个微聚类表示它们之间的结构相似性较高，在本文的方法中将被合并。

聚类损失

通过聚类损失Lclu，将相似的微聚类在自编码器的嵌入空间中拉近，该损失最初在[37]中使用：

其中，cx 是包含细胞 x 的聚类，μ 是K个聚类的中心，反映了通过Dip检验估计的聚类中心cx之间的归一化Dip得分。‘mean’ 和 ‘std’ 是聚类对之间距离DC集的均值和标准差。
 

直观来说，模型通过减小细胞与其分配中心之间的距离来最小化损失。同时，细胞也会根据与聚类i的相似性而被拉向其相似的聚类，拉力的强度取决于与聚类i的相似性。因此，如果具有较大Dip得分的聚类是相似的，模型将减小聚类之间的距离。这个过程将把相似的微聚类拉在一起。通过除以均值，可以防止自编码器仅减小嵌入尺度以最小化损失Lclu。还应用std来阻止模型减小尺度并同时将单个聚类推远。最后，以端到端的方式优化ADClust，使用以下损失函数：

其中λ是平衡聚类损失贡献的超参数。在本研究中，为所有数据集设置λ = 1。 

合并过程

如果两个聚类的相应Dip得分大于Dip得分阈值，则将合并它们。这两个合并的聚类中的细胞将被分配相同的细胞标签，并且这些细胞的新中心将计算如下：

根据新的中心μnew，需要更新Dip得分矩阵P和 ˜P。如果P中仍有大于阈值的Dip得分，则重复合并过程。合并过程完成后，继续优化模型并合并聚类。这个过程会一直持续，直到没有Dip得分大于阈值的情况。

实验

实验数据

实验数据分为了两部分：模拟数据和真实数据

虚拟数据

使用Splatter软件包[31]生成了模拟单细胞RNA测序数据集。为了模拟具有不同聚类信号强度的单细胞RNA测序数据集，生成了不同de.facScale值的数据集，其中de.facScale的取值范围为{0.2, 0.25, 0.3, 0.35, 0.4}。较高的de.facScale值代表着更强的聚类信号，对应于更容易的数据集。每个数据集包含2000个细胞和2000个基因。参数dropout.mid设置为2（固定的失活率约为45%）。按照研究[32]的方法设置参数group.prob为{0.1, 0.15, 0.25, 0.5}，以便每个模拟数据集包含四组不同比例的数据。对于其他参数，使用默认值。使用不同的随机种子重复生成数据集五次，并展示平均结果。

真实数据

这些数据集涉及不同的生物过程和各种组织，包含从几千到几万个不同规模的细胞，这些细胞来自各种单细胞RNA测序技术。每个数据集都使用Seurat提出的标准流程进行预处理。具体而言，通过“NormalizeData”函数对基因表达进行了归一化处理，使用默认参数“LogNormalize”（对于模拟数据为“RC”），缩放因子为10,000。然后，基于归一化矩阵，通过“FindVariableFeatures”函数选择了前2000个高度变异的基因。

实验结果

---

这篇文章与之前几篇分享的单细胞RNA测序数据聚类不同的点在于，其将注意力放于细胞类簇个数的自动学习上。

无参聚类一直是聚类领域的研究重点和难点，目前深度的方法很少，是一个值得考虑研究的方向。