Skip to content

Deep Learning › 生資應用 › 單細胞深度學習

單細胞深度學習 (Deep Learning for Single-Cell Data) ​

單細胞 RNA-seq 是稀疏的計數矩陣(細胞 × 基因,九成以上為 0),常有數十萬個細胞、多個批次。深度學習在這裡最成熟的用途是機率式的潛在表示:用 VAE 直接對原始計數建模,同時校正批次效應,代表工具是 scvi-tools。

上游流程(QC、標準化、分群、軌跡)見 單細胞 RNA-seq。

何時需要 DL ​

情境傳統做法DL 做法建議
單一批次降維、分群log 標準化 → PCA → 鄰接圖scVIPCA 已足夠
多批次 / 多實驗室整合Harmony、Seurat CCA / RPCAscVI大型、複雜批次時 scVI 常表現最好;Harmony 快且是強 baseline
用部分已標註細胞做細胞類型標註參考圖譜 + 分類器(CellTypist)scANVI有可靠的參考標註時
把新資料映射到參考圖譜—scArches(固定參考模型,只訓練新批次參數)參考圖譜以 scVI / scANVI 建立時
CITE-seq(RNA + 表面蛋白)WNNtotalVI多模態
差異表現pseudobulk + DESeq2 / edgeRscVI 的 differential_expression跨樣本推論仍以 pseudobulk 為主(考慮生物重複)

scVI 在做什麼 ​

text
原始計數 x(不要先 log 標準化)+ 批次 s
        │
   encoder(神經網路)→ q(z | x, s):細胞的潛在表示 z(約 10~30 維)
        │
   decoder(神經網路):(z, s, library size) → 每個基因的負二項 (NB) 或 ZINB 分布參數
        │
   loss = −log p(x | z, s) + KL(q(z|x,s) ‖ N(0, I))
設計對應的資料特性
負二項似然計數資料過度離散 (overdispersion),與 DESeq2 的 NB-GLM 同一假設
library size 當作已知因子定序深度差異不必靠事先標準化消除
批次 s 餵給 decoderz 不必編碼批次差異 → 整合後的表示
機率模型可輸出去噪表現量、不確定性,並做差異表現

使用方式 ​

AnnData 結構與 scanpy 前處理見 AnnData 與 scanpy。

python
import scanpy as sc
import scvi

adata = sc.read_h5ad("pbmc.h5ad")
adata.layers["counts"] = adata.X.copy()             # scVI 要原始整數計數
sc.pp.normalize_total(adata); sc.pp.log1p(adata)    # 這些只給視覺化 / 選基因用
sc.pp.highly_variable_genes(adata, n_top_genes=2000, flavor="seurat_v3",
                            layer="counts", batch_key="batch", subset=True)

# 1. 訓練
scvi.model.SCVI.setup_anndata(adata, layer="counts", batch_key="batch")
model = scvi.model.SCVI(adata, n_latent=30, gene_likelihood="nb")
model.train(max_epochs=400, early_stopping=True)    # 預設會切出 validation 做 early stopping

# 2. 潛在表示 → 鄰接圖、UMAP、分群(取代 PCA)
adata.obsm["X_scVI"] = model.get_latent_representation()
sc.pp.neighbors(adata, use_rep="X_scVI")
sc.tl.umap(adata); sc.tl.leiden(adata)

# 3. 去噪、批次校正後的表現量(視覺化用,不要再拿去做統計檢定)
adata.layers["scvi_norm"] = model.get_normalized_expression(library_size=1e4)

# 4. 用部分標籤訓練 scANVI 做細胞類型標註(未知細胞標為 "Unknown")
lvae = scvi.model.SCANVI.from_scvi_model(model, unlabeled_category="Unknown", labels_key="cell_type")
lvae.train(max_epochs=20)
adata.obs["pred_type"] = lvae.predict()

model.save("scvi_model/")                            # 之後 SCVI.load("scvi_model/", adata=adata)

怎麼判斷整合得好不好 ​

面向指標 / 檢查目標
批次混合iLISI、kBET、批次 ASW同一細胞類型內,不同批次的細胞互相混合
生物保留cLISI、細胞類型 ASW、NMI / ARI不同細胞類型仍分得開
稀有族群已知稀有細胞型是否仍是獨立群沒有被併入大族群
工具scib-metrics 套件可一次算出並與 Harmony 等方法比較—

只看 UMAP「混得很均勻」不夠:過度校正會把真實的生物差異(疾病 vs 對照)也當成批次抹掉。批次與生物條件完全混雜時(每個條件只在一個批次),任何方法都無法分開兩者——這是 實驗設計 問題。

單細胞基礎模型 ​

scGPT、Geneformer、scFoundation 等以數千萬個細胞預訓練的 Transformer,宣稱可用於細胞類型標註、擾動預測、基因網路推論。

已知情況說明
零樣本 embedding多項獨立評估中,零樣本的細胞 embedding 在批次整合、分群上常不優於 HVG + PCA 或 scVI
Fine-tune 後細胞類型標註表現不錯,但相較簡單分類器(logistic 迴歸、CellTypist)的優勢通常有限
擾動預測是否勝過「平均擾動效應」等簡單 baseline 仍有爭議
成本需要 GPU、前處理要符合模型的基因詞彙與排序方式

使用前先和 PCA / scVI / 簡單分類器在同一資料、同一切分下比較;切分以捐贈者 / 樣本為單位,避免同一人的細胞同時出現在訓練與測試。

常見陷阱 ​

陷阱說明
把 log 標準化後的資料餵給 scVI模型假設計數分布;要用 layer="counts"
拿 scVI 去噪後的表現量做差異檢定值彼此不獨立、變異被平滑掉,p 值會過度樂觀
把每個細胞當獨立樣本做跨條件比較假重複 (pseudoreplication);以樣本為單位做 pseudobulk
批次定義錯batch_key 應是技術批次(實驗、晶片、定序批),不是要研究的生物條件
不同 seed 的 UMAP 長得不同正常;比較的是群集與鄰近關係,不是座標