面向单细胞测序数据及其他领域的域自适应细粒度异常检测

从病变组织中检测细粒度异常细胞对于临床诊断和病理研究至关重要。单细胞测序数据为此任务提供了前所未有的机遇。然而，当前的异常检测方法难以处理多样本和多域单细胞测序数据中普遍存在的域偏移问题，导致性能欠佳。此外，这些方法无法将异常细胞区分为病理上不同的亚型。为此，我们提出ACSleuth，这是一个新颖的、由重构偏差引导的生成式框架，它将异常细胞的检测、域自适应和细粒度标注整合到一个方法上连贯的工作流中。值得注意的是，我们首次对在存在域偏移的情况下使用生成模型输出的重构偏差进行异常检测进行了理论分析。该分析指导我们在ACSleuth中开发了一种新颖且优越的基于最大均值差异的异常评分器。在多种单细胞数据和其他类型表格数据上的广泛基准测试表明，ACSleuth在多样本和多域情境下识别和细分异常方面优于最先进的方法。我们的代码可在https://github.com/Catchxu/ACsleuth获取。