基于联邦学习的单细胞批次空间集成方法
机器学习
2026-03-02 v2
摘要
单细胞 RNA 测序技术的进步使得能够快速生成大规模高维数据集，但跨实验的数据积累会引入批次效应，掩盖真实的生物信号。现有的批次校正方法要么校正效果不足，要么需要对完整数据集进行集中式重新训练，在分布式和持续演化的单细胞数据环境中受到限制。我们提出了 scBatchProx，这是一种受联邦学习原理启发的后处理优化方法，用于细化由任意上游方法生成的细胞级嵌入。将每个批次视为客户端，scBatchProx 在 Proximal 正则化下学习批次条件化的适配器，直接在潜在空间中校正批次结构，无需原始表达数据或集中化优化。该方法轻量可部署，仅优化批次特定的适配器参数。大量实验表明，scBatchProx 在整体嵌入质量上 consistently 获得约 3-8% 的相对提升，其中在 90% 和 85% 的数据-方法组合中分别实现了批次校正和生物保护性的改进。我们设想这是一步通向动态单细胞数据系统中已学习表示实用细化的努力。
关键词
引用
@article{arxiv.2602.00423,
title = {Federated-inspired Single-cell Batch Integration in Latent Space},
author = {Quang-Huy Nguyen and Zongliang Yue and Hao Chen and Wei-Shinn Ku and Jiaqi Wang},
journal= {arXiv preprint arXiv:2602.00423},
year = {2026}
}