0. TL; DR

scLinear 是一个基于线性回归的方法，用于从RNA表达谱预测单细胞的蛋白质丰度。令人惊讶的是，scLinear在不牺牲准确性的前提下，其计算效率远超当前的方法。scLinear具有良好的可解释性，并且能够准确地泛化到未见过的单细胞和空间转录组数据中。

这项工作不仅提供了一个高效的工具，更重要的是，它对当前领域中忽视简单、快速、高效方法的趋势提出了批判性视角，证明了在某些复杂任务中，简单的线性模型可能比复杂的非线性模型更具优势。

1. 背景介绍

单细胞分析技术，特别是单细胞RNA测序（scRNA-seq），通过以前所未有的分辨率生成细胞类型、组织或生物体的表达图谱，彻底改变了我们对复杂生物系统的理解。最近，单细胞多组学技术的发展使得在同一个细胞内同时测量（表观）基因组、转录组和蛋白质组的不同组合成为可能。例如，CITE-seq技术可以同时量化配对的RNA和表面蛋白水平。

这些多组学数据集为生物医学领域的机器学习应用提供了巨大的机遇。其中，两个主要的任务是模态匹配（对齐不同的单模态数据）和模态预测（从一个模态推断另一个模态）。这些任务已经成为多项研究的焦点，并且是近期一次众包竞赛的主要目标，其中获胜的方法分别使用了深度神经网络和核岭回归（Kernel Ridge Regression, KRR）。

正如上文所述，复杂的机器学习和深度学习（ML/DL）模型正在主导单细胞领域的研究。尽管基于ML/DL的单细胞方法的潜力是无可争议的，但这种趋势可能会掩盖那些可能同样甚至更准确、更有效的更简单、更具可解释性的算法。在这项研究中，作者针对单细胞多组学中的模态预测任务，对这一假设进行了检验。

2. ScLinear框架

scLinear是一个基于线性回归的多功能工具，用于从基因表达预测单细胞蛋白质水平。它被开发为一个全面的端到端框架，包含了所有必要的单细胞数据分析步骤。

2.1 ScLinear分析流程

scLinear的完整流程如图所示，包括四个主要部分：

质量控制 (Quality Control)：基于每个细胞的特征数、总计数和线粒体基因比例等指标，过滤低质量细胞。
预处理 (Pre-processing)：对数据进行对数归一化，识别高变基因，并通过降维和聚类进行初步探索。
细胞类型注释 (Cell Type Annotation)：使用PanglaoDB等公共数据库和scMRMA等工具，自动对聚类出的细胞群进行注释。
蛋白质丰度预测 (Protein abundance prediction)：分为训练新模型或使用预训练模型两种模式。

2.2 蛋白质丰度预测的核心算法

scLinear的蛋白质丰度预测流程借鉴了NeurIPS 2021多模态单细胞数据整合挑战赛中获胜方法的最佳实践。整个模型可以被看作是一个三部分的组合：截断SVD、z-score标准化和线性回归，该流程主要包括两个步骤：

第一步：基因表达（GEX）数据的降维与标准化

首先，对输入的GEX矩阵进行截断SVD，将特征维度降低到300个主成分。这一步有效地提取了数据中的主要变异，并减少了后续计算的复杂性。

接着，对降维后的GEX矩阵进行细胞级的z-score标准化。这使得每个细胞的特征向量（即降维后的表达谱）的均值为0，标准差为1。

第二步：多元线性回归模型训练

经过上述变换后，作者使用一个多元线性回归（multivariate linear regression）模型来预测抗体衍生标签（ADT）矩阵。模型的输入是经过SVD和z-score标准化的GEX矩阵，输出是预测的ADT矩阵。

2.3 模型的可解释性：特征重要性

由于scLinear基于线性模型，其一个显著优势是直接的可解释性。作者通过计算预测的ADT相对于输入GEX特征的雅可比矩阵（Jacobian matrix）来量化特征重要性。

由于整个模型是三个线性或可微操作的组合，其总的雅可比矩阵可以分解为三个部分雅可比矩阵的乘积：

截断SVD的雅可比矩阵：即其右奇异向量矩阵。
线性回归的雅可比矩阵：即其权重矩阵。
z-score标准化的雅可比矩阵：通过自动微分计算。

最终得到的特征重要性矩阵包含了每个预测蛋白相对于每个输入基因的偏导数。这些值直接量化了扰动单个GEX特征对预测ADT的影响，从而能够直接解释哪些基因对每个蛋白的预测贡献最大。

3. 实验分析

作者在一系列数据集上对scLinear的准确性、效率、鲁棒性和泛化能力进行了全面评估。

3.1 ScLinear的性能与效率

在NeurIPS 2021竞赛的测试数据集上，比较scLinear、一个改进的核岭回归（KRR_new）、一个基于自编码器的深度学习方法（Babel_Dance）和一个简单的神经网络（Vanilla_NN）的性能和计算效率。

图b (准确性)：令人惊讶的是，简单的scLinear表现出了state-of-the-art的性能（以均方根误差RMSE衡量），仅次于KRR_new，但优于所有其他更复杂的参赛方法。
图c (训练时间)：scLinear的计算效率极高，其训练速度比Vanilla_NN快3倍，比Babel_Dance快14倍，比KRR_new快13倍。
图d (内存使用)：scLinear在训练过程中使用的内存（RAM）也显著更少（相比Babel和KRR分别减少了65%和58%）。

3.2 ScLinear的鲁棒性与泛化能力

在一个未见过的PBMC CITE-seq数据集上进行“零样本”（zero-shot）预测。通过在PBMC数据中随机引入不同比例的零值（dropout）来测试模型的鲁棒性。在小鼠的淋巴结和脾脏CITE-seq数据上进行训练和测试，评估其跨物种的泛化能力。

图a, b (在独立PBMC数据集上的泛化)：scLinear能够准确预测所有蛋白的水平，预测值与真实值之间有很高的皮尔逊相关性（Pearson correlation）。对于PBMC中的关键marker蛋白（如CD14, CD19, CD3, CD56），其预测的最高丰度清晰地出现在预期的细胞类型中。
图c (对dropout的鲁棒性)：即使在非常高的dropout率下，模型的预测性能依然保持可靠，相关性下降非常缓慢。
图d (跨物种泛化)：在小鼠数据上，scLinear同样表现出与人类数据相当的高性能，证明了其在不同物种间的泛化能力。

3.3 ScLinear在空间转录组数据上的应用

将在单细胞数据上预训练的scLinear模型，直接应用于一个同时测量了RNA和35种蛋白的人类扁桃体（Tonsil）空间转录组数据集。

图a (细胞类型注释)：scLinear的细胞类型注释功能正确地识别出B细胞是扁桃体中的主要细胞类型，符合生物学预期。
图b, c (空间蛋白预测)：在19个共有蛋白中，大多数蛋白的预测值与真实值之间都显示出高相关性。对于T细胞和B细胞的标志性蛋白CD3和CD19，其空间预测分布与真实的蛋白分布高度吻合。
图d (预测值与RNA/ADT的比较)：清晰地显示，scLinear的预测值比原始的RNA表达更能重现真实的蛋白水平分布。这表明即使在有配对数据的空间组学中，这种预测方法也能提供更有价值的信息。
图e, f (模型可解释性)：通过特征重要性分析，作者识别出驱动CD19和CD3蛋白预测的关键基因。值得注意的是，CD3基因家族（CD3E, D, G）是预测CD3蛋白最重要的特征。对这些重要特征基因进行Gene Ontology (GO)富集分析，发现它们分别富集于B细胞和T细胞相关的生物学过程，验证了scLinear模型学习到的生物学相关性。