基于深度混合效应自编码器的单细胞转录组数据可解释分析工具 scMEDAL

单细胞 RNA 测序使我们能够获得细胞异质性的高分辨率分析，但在生物学信号与批次效应之间进行区分仍是一个主要挑战。现有的批次校正算法倾向于抑制或丢弃与批次相关的变化，而不是对其进行建模。我们提出了 scMEDAL，即 single-cell Mixed Effects Deep Autoencoder Learning (单细胞混合效应深度自编码器学习)，是一个能够分别建模批次不变和批次特异效应的框架，该框架由两个互补子网络构成。scMEDAL-RE 的核心创新是一种基于随机效应的贝叶斯自编码器，能够在保留与批次效应信号常被标准校正方法丢失的生物学有意义信息的同时学习批次特异的表征。此外，通过对抗学习训练的固定效应子网络 scMEDAL-FE 提供了一个默认的批次校正组件。跨越多种条件（自闭症、白血病、心血管疾病）、细胞类型以及技术与生物学效应的评估表明，scMEDAL-RE 产生的可解释的批次特异嵌入能够补充 scMEDAL-FE 以及既定校正方法（scVI、Scanorama、Harmony、SAUCIE），从而实现对疾病状态、捐赠组和组织的更准确预测。scMEDAL 还提供生成式可视化，包括将细胞表达在另一批次中获取的反事实重构。该框架允许用其他校正方法替换固定效应组件，同时保留 scMEDAL-RE 的增强预测能力和可视化功能。总体而言，scMEDAL 是一个灵活、可解释的框架，能够补充现有的校正方法，为细胞异质性和数据获取提供更深入的见解。