热点综述 | scRNA-seq细胞类型鉴定方法综合比较

细胞类型鉴定是scRNA-seq分析中最重要的任务之一。2022年《Briefings in Bioinformatics》发表了一篇综述文章，使用不同组织、测序技术和物种的14个公共 scRNA-seq数据集研究了8种监督和10种非监督细胞类型识别方法的性能。

研究团队总共使用了14个不同组织、疾病、物种和技术的数据集，评估了18种流行的细胞类型识别方法，其中8种是监督的（CellAssign, Seurat v3 mapping, scmap-cluster, scmap-cell, singleR, CHETAH ,Garnett和SingleCellNet），10种是非监督的（Seurat v3 clustering, raceID3, LIGER, SC3, Monocle3, TSCAN,pcaReduce和 CIDR, SAME-clustering和 SHARP），评估了研究人员在实践中经常遇到的几种实验设置，包括不同数量的细胞、细胞类型的数量、测序深度、参考偏倚、数据集间批次效应、新的/未知的细胞类型、计算效率和可扩展性。尤其是分别评估了这些因素对训练和测试数据的影响（这在以前的测评中没有被调查过）。 为了在两类方法之间建立公平的比较，研究团队采用了 Adjusted Rand Index (ARI) 和BCubed-F1 score作为主要评估指标（这些指标专门用于聚类评估）。

13个数据集的ARI得分总体分布表明，监督方法通常优于无监督方法。进一步分析表明，这一表现取决于两个因素。第一个因素是集群的指定数量和真实数量之间的差异。差异越大，受监督的方法就越优于无监督的方法。

第二个因素是数据集的复杂性。如下图所示，当数据集复杂度较低时，有监督的方法显著优于无监督的方法（图左部分）。当数据集复杂度增加时（图右部分），表示两种方法ARI得分的点重叠得更多，表明性能更具可比性。

通过对不同数量的细胞、细胞类型的数量、测序深度、参考偏倚、数据集间批次效应、新的/未知的细胞类型、计算效率和可扩展性等因素的综合评估，以及在大型数据集上的测试，研究团队得出如下结论：

Summary

在不同的影响因素（包括细胞数量、测序深度、批次效应、细胞类型数量、参考偏差和细胞群体失衡）下，监督方法通常比无监督方法表现更好。总体上性能最好的监督和非监督方法是Seurat v3 mapping/singleR和Seurat v3 clustering。

无监督方法更善于识别未知/新的细胞类型，通常比有监督方法具有更好的计算效率。SC3是识别未知/新细胞的总体最佳方法，SHARP是最佳计算效率和可扩展性的方法。

随着数据集复杂性和参考偏差的增加，监督方法优于非监督方法的性能可能会降低或逆转。

对于监督方法，以下因素导致了更好的预测结果：更多的训练细胞、更少的细胞类型、更深的测序、训练和测试数据之间更相似的细胞类型比例、更平衡的训练细胞类型比例和更少的偏误参考。

对于无监督方法，以下因素导致了更好的预测结果：更深的测序，更少的细胞类型，真实和估计的聚类数量之间的差异更小。

在有监督和无监督的方法中，计算批量效应去除都是不必要的。事实上，在某些情况下，去除批次效应可能会导致更差的结果。数据复杂性在所有场景中都发挥了巨大作用。细胞类型之间更强的相似性（通常发生在亚细胞类型分类中）导致更高的复杂性，这需要更大的训练数据和更深入的测序才能获得令人满意的结果。重要的是，这些结论可以推广到具有来自各种细胞类型的超过10万个细胞的超大数据集。

本文中所涉及的所有源代码均可在如下链接获取：https://github.com/xsun28/scRNAIdent

参考文献Xiaobo Sun, Xiaochu Lin, Ziyi Li, Hao Wu, A comprehensive comparison of supervised and unsupervised methods for cell type identification in single-cell RNA-seq, Briefings in Bioinformatics, Volume 23, Issue 2, March 2022, bbab567, https://doi.org/10.1093/bib/bbab567