生信论文分享：通过稳健矩阵分解对单细胞rna测序数据进行插值

题目：scRMD: imputation for single cell RNA-seq data via robust matrix decomposition

出处：bioinformatics, doi: 10.1093/bioinformatics/btaa139

摘要：单细胞rna测序技术使人们能够在单细胞级别的分辨率下进行转录组分析，然而由于其常常难以捕捉到表达的基因，因此会导致显著的dropout（姑且译为缺失值）问题，从而影响下游分析，例如使差异表达分析的统计功效降低以及模糊了细胞之间、基因之间的关系。本文将缺失值的插值问题建模为矩阵分解问题，提出scRMD算法，实验证明该算法能够准确地还原缺失值并有助于下游分析，如差异表达分析和细胞聚类。

主要思想：令基因表达矩阵的观测值为p行n列的矩阵Y，其中p是基因数，n是细胞数，表达矩阵的真实值为X，dropout矩阵为S，即，若Xij处出现了dropout现象则Sij=Xij，否则为0，E是期望值为0的随机误差矩阵，故有

，

这里的一个关键点是，表达矩阵X中虽然可能包含许多细胞，但可以分为少数几个类，基因在不同类的细胞中的期望表达水平不同，故有

其中li,c(j)是第j个细胞所属的细胞类型中基因i的期望表达水平，fi,j是随机误差，表示为矩阵形式有

。

这里可以注意到由于细胞的种类数要远少于细胞个数，因此L是低秩矩阵，从而可以通过最小化

来估计低秩的细胞类型矩阵L和dropout矩阵S，其中分别是Frobenious范数，核范数和L1范数。本文使用基于随机矩阵的技术来选择参数和。

主要实验结果：

（1）模拟数据的差异表达分析与聚类：

使用不同的正态分布生成代表不同细胞类型的模拟数据，并加入dropout，对生成的模拟数据进行插值，结果如图：

（2）真实数据差异表达分析：

 

如上图，以bulk rna-seq的数据作为金标准，对单细胞数据进行插值后进行差异表达分析，提取p值最小，即最显著的差异表达基因与金标准进行比较，比较两者得到的差异表达基因。

（3）ERCC基因相关系数：

ERCC基因是人为加入的一些已知浓度的基因，用于作为参照物校正其它基因的表达水平，因此可以比较插值前后ERCC基因观测值与真实值的相关系数来衡量插值效果，在5种不同测序技术的数据中的结果如下图所示：

（4）真实数据中的聚类结果：

在两个不同数据中进行插值，并比插值前后的聚类结果，使用调整兰德指数作为指标，结果如下所示： 

（5）超高通量数据插值结果可视化：

超高通量数据通常使用唯一分子标识符（UMI）以去除扩增偏好造成的表达水平失真，采用这种技术的数据通常存在更多的零值。本文考虑三个超高通量数据，正文中给出其中两个的tSNE可视化结果，如下图所示：