跨物种比较单细胞转录组同源基因如何整合
Song, Y., Miao, Z., Brazma, A. et al. Benchmarking strategies for cross-species integration of single-cell RNA sequencing data. Nat Commun14, 6495 (2023). https://doi.org/10.1038/s41467-023-41855-w
Nature Communications 文章：Song et al., 2023，Benchmarking strategies for cross-species integration of single-cell RNA sequencing data。这篇文章的价值在于，它不是单独比较整合算法，而是同时比较了同源基因映射策略 × 单细胞整合算法，并且评估整合后是否既能消除物种带来的技术差异，又能保留真实的细胞生物学差异。
一、先给结论：我会怎样选择？
如果你的目标是常规跨物种 scRNA-seq 整合，我建议把下面这套方案作为首选基线：
推荐的默认方案
数据预处理： 各物种分别进行细胞质量控制、去除低质量细胞和 doublets，并统一细胞类型注释粒度。
同源基因： 先使用 Ensembl 获取一对一 ortholog，建立共同 feature 空间。
整合方法： 优先测试 scVI；如果有可信的细胞类型标签，同时测试 scANVI；再以 Seurat v4 CCA/RPCA 作为对照。
评价标准： 同时评估物种混合程度、细胞类型结构保留程度和细胞类型标签迁移表现，不能只看 UMAP。
这与论文对近缘物种的推荐基本一致。若物种较远、同源注释困难，或分析整个生物体的细胞图谱，则需要改变策略。
不过，必须强调：这篇论文没有证明某一个算法在所有物种、组织和数据集上绝对最好。 它的结论是按分析场景选择方法，而不是给所有任务一个统一冠军。
二、论文中具体怎么处理数据？
这篇文章的分析框架叫 BENGAL。作者比较了 28 种同源基因映射与整合算法组合，并从物种混合、细胞生物学特征保留和细胞类型注释迁移等方面评估结果。
1. 预处理：先保证不同物种的数据可以公平比较
作者明确指出，质量控制和细胞本体注释整理需要在运行整合流程之前完成，不属于整合算法本身。
建议按以下步骤处理：
去除低质量细胞、潜在 doublets，以及线粒体基因比例异常高的细胞。
检查每个物种的细胞类型注释，尽可能统一到可比较的粒度。
保留每个细胞的物种、样本和批次信息。
使用原始基因计数矩阵作为后续 BENGAL 同源映射及整合流程的输入。
特别值得注意的是：不要因为一个物种的细胞注释更细，就直接把另一个物种较粗的标签强行细分。 作者使用 scOntoMatch 帮助对齐不同数据集的细胞类型层级。
2. 同源基因映射：论文实际比较了三种策略
O2O：只保留一对一同源基因
只保留物种间一一对应的 ortholog，映射到共同 feature 空间。这种方式清晰、稳健，适合作为基线。
适合：近缘物种、希望优先保证映射准确性。
HE：一对一 + 高表达同源基因
Higher average expression
在一对一同源基因之外，对一对多或多对多同源关系，按较高的平均表达量选择对应基因。
目的：在一定程度上保留一对一映射丢失的基因表达信息。
SH：一对一 + 高同源置信度基因
Stronger homology confidence
在一对一同源基因之外，按更强的同源关系置信度选择额外对应基因。
目的：尽可能保留更多基因，同时优先考虑同源关系的可靠性。
这三种策略是论文直接比较的核心映射方式。作者发现，对于具有较多一对多和多对多同源关系的远缘物种，适当纳入这些额外同源基因可能改善整合结果。不过，这不等于所有数据集都应该使用 HE 或 SH。
还有一个重要细节：LIGER UINMF 能够处理未共享的 feature，因此在这一方法中，并不是所有基因都必须被强制映射到共同同源基因集合。
3. 统一矩阵：先拼接 raw counts，再进行整合
作者将映射后的不同物种 raw count 矩阵按细胞方向拼接，再输入不同整合算法。
对于共同 feature 集合，文章还采用了批次感知的高变基因选择：按整合键分别识别高变基因，再取各批次高变基因的交集，用于 PCA 等后续分析。论文给出的 Scanpy 参数为：
min_mean = 0.0125、max_mean = 3、min_disp = 0.5。
这些是论文所用流程中的具体设置，不应视为适用于所有数据集的通用最优参数。
三、整合方法综合比较：到底哪个最好？
这篇文章对整合算法的总体结论比较明确：scANVI、scVI、Seurat v4 CCA/RPCA、Harmony 和 fastMNN 整体表现较好，但在物种混合和生物学特征保留之间存在权衡。
如果必须选一个综合最好的方法
我的判断是：
有高质量细胞类型标签：优先 scANVI。 这是该论文综合结论中最值得优先测试的方法。
没有可靠的细胞类型标签：优先 scVI。 它是更合适的无监督起点。
希望用成熟的 Seurat 工作流：优先测试 RPCA，同时保留 CCA 作对照。
远缘物种、全身图谱或同源基因注释很差：优先考虑 SAMap，而不是机械地套用 scVI。
以上是根据论文证据给出的实践选择，不代表 scANVI 在任何数据集上都能胜过其他方法。
四、怎么判断哪个方案在你的数据中真正最好？
论文的关键贡献之一，是不只看 UMAP，而是从多个方面评估结果。
1. Species mixing：物种混合
同一类细胞是否能跨物种形成合理的近邻，而不是始终按照物种分成不同群体。可以使用 iLISI、kBET、批次 ASW 等适用指标评估。
2. Biology conservation：生物学保留
整合后，原本不同的细胞类型是否仍能区分，已知细胞亚群和生物学结构是否保留。可以结合细胞类型 ASW、聚类保真度及论文提出的 ALCS 指标进行判断。
3. Annotation transfer：注释迁移
例如，用一个物种已知的细胞类型标签预测另一个物种的细胞类型，检查跨物种预测是否可靠。这能检验整合是否捕捉到了真正可迁移的细胞类型信息。
论文将物种混合和生物学保留的分数按 40% 与 60% 加权，得到 integrated score；同时使用额外的细胞类型可区分性指标来识别过度整合。这个权重是作者用于基准比较的设定，不是所有研究必须采用的唯一标准。
我的建议是：至少比较 scVI、scANVI（若有标签）和 Seurat RPCA 三套方案，并用同一套指标进行评估。 如果物种较远，再增加 SAMap。最终选择应基于你自己的数据表现，而不是单纯依据算法名称或 UMAP 的视觉效果。
五、2025 年之后的研究是否改变了这个结论？
有一些补充。2025 年一项覆盖 20 个物种、约 470 万细胞的基准研究发现，跨越更大的进化距离时，方法的相对表现会发生变化：SATURN 在多个分类层级表现稳健，SAMap 在较远缘物种、特别是全身图谱整合中具有优势；生成模型方法则往往更擅长去除批次效应。
所以，如果你的研究对象不是常见的人–小鼠，而是跨纲、跨门等远缘物种，就不应该只依据 2023 年的结果选方法。那种情况下，我会把 SATURN 和 SAMap 也纳入候选。
六、可复现的实现资源
作者公开了 BENGAL GitHub 仓库，其中包括基因同源映射、整合流程、评估指标和细胞类型注释迁移分析。它接受带有物种信息、细胞类型注释及 Ensembl 基因 ID 的 AnnData 原始计数对象，并提供多种整合算法的结果和评估输出。
- 发表于 1天前
- 阅读 ( 20 )
- 分类：转录组
