通过背景对比非负矩阵分解解缝共享与靶向富集主题

高维数据中感兴趣的生物信号常被主导跨条件一致变异掩盖。这种变异源于基线生物结构或技术效应，可能阻止标准降维方法解析条件特异结构。挑战在于，这些混淆主题往往是未知的，且与生物信号混合。现有背景校正方法要么在高维数据下不可扩展，要么不可解释。我们引入背景对比非负矩阵分解（\model），通过在共享非负基底下对目标数据集和匹配背景进行联合分解，提取靶向富集潜在主题，同时抑制背景表达结构。该方法产生可在特征层面直接解释的非负成分，显式隔离靶向特异变异。\model 通过矩阵乘法实现高效的乘法更新算法，使其在 GPU 上的计算效率极高，能够通过类似深度学习的方法进行小批量训练以实现大规模数据处理。在模拟数据和多样化生物数据集上，\model 揭示了常规方法遮蔽的信号，包括去势后抑郁脑单细胞 RNA-seq 中的疾病相关程序、小鼠中与基因型关联的蛋白表达模式、白血病治疗特异性转录变化以及癌细胞系中 TP53 依赖性药物反应。