构建细胞图
将每个细胞表示为图，节点为基因，边为基因表达对数比值，以捕捉基因关系。
使用Gene2Vec嵌入基因节点，基于约600个高变基因计算所有基因对的对数比值作为边，通过RBF和高斯核将标量边值转换为向量，并保留每个节点16条边。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
基于消息传递框架的精确细胞状态鉴定方法 scClassify2
A message passing framework for precise cell state identification with scClassify2
实验完整度
中包含算法开发、性能评估和跨平台验证，但未涉及湿实验。
主要模型
小鼠原肠胚胚胎数据集（GSE171588） 人类胚胎发育数据集（E-MTAB-3929）
重点核对
数据集：8个公开 scRNA-seq 数据集，涵盖人和小鼠的不同组织、细胞类型、健康和疾病状态（表S1） 模型结构：MPNN 编码器-解码器，默认批量大小16，训练28轮，早停（补充图S2） 节点嵌入：Gene2Vec 200维向量 边构建：约600个高变基因，对数比值经RBF映射，每节点保留16条边 分类器：序数回归，阈值可调
摘要
细胞注释对于下游探索至关重要。尽管已经开发了许多方法，从经典统计学到大型语言模型，但它们大多关注不同的细胞类型，而忽视了连续的细胞群体。在这里，我们提出了一种注释方法 scClassify2，专门专注于相邻细胞状态的鉴定。通过全新的双层架构和序数回归整合先验生物学知识，scClassify2 与其他最先进方法相比取得了有竞争力的性能。除了单细胞 RNA 测序数据外，scClassify2 还可以推广到不同平台，包括亚细胞空间转录组学数据。我们还开发了一个供学术使用的网络服务器。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何准确识别转录组中相邻且高度相似的细胞状态。
- 核心机制
- 通过结合基因表达对数比值和基因共表达先验知识，利用MPNN的双层架构和序数回归，捕捉细胞状态间的连续性和细微差异。
- 主要证据
- 在8个数据集上的基准测试显示，scClassify2在相邻细胞状态识别上优于scClassify、sigGCN、scGCN、scGPT和scFoundation。
- 研究意义
- 提供了一个可推广的细胞注释工具，并构建了包含预训练模型的网络服务器，减轻研究人员选择参考数据和计算资源的负担。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
训练MPNN模型
通过双层架构整合基因表达和先验知识，学习细胞状态表示。
使用MPNN编码器-解码器，通过消息传递更新节点和边，并计算序数回归损失和重建损失。
序数回归分类
利用细胞状态的顺序信息，通过一系列二分类任务预测细胞状态。
构建n-1个条件训练子集，进行二分类，通过链式法则计算无条件概率，并基于阈值确定状态索引。
性能评估
评估scClassify2在相邻细胞状态识别上的性能。
在8个数据集上执行5折交叉验证（重复5次），与scClassify、sigGCN、scGCN、scGPT和scFoundation等方法比较。
SST数据应用
验证scClassify2在亚细胞空间转录组数据上的适用性。
使用Xenium乳腺癌数据集，经BIDCell分割后应用预训练模型进行细胞注释，评估精度和一致性。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 细胞分割 | BIDCell | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 训练配置 | 批大小、训练轮数、早停条件 阅读提示：Methods: MPNN 部分 |
| 图构建 | 高变基因数量、节点嵌入维度、保留边数 阅读提示：Methods: Cell graph construction 部分 |
| 数据集 | 8个数据集的来源和预处理 阅读提示：Methods: Data collection 和补充表S1 |
| 性能评估 | 交叉验证折数和重复数 阅读提示：Methods: Evaluation framework 部分 |