《Bioinformatics》：Inference of marker genes of subtle cell state changes via iLR: iterative logistic regression
编辑推荐：
本研究针对单细胞RNA测序数据中难以识别细微细胞状态差异的难题，开发了迭代逻辑回归（iLR）方法。该方法通过Pareto前沿优化平衡基因集规模与分类性能，在神经元亚型鉴定和肿瘤微环境分析中展现出高精度与跨物种适用性，为疾病机制研究和治疗策略开发提供了新工具。
在单细胞生物学研究领域，科学家们面临着一个持续存在的挑战：如何从海量的单细胞RNA测序（scRNA-seq）数据中准确识别出能够反映细胞状态细微变化的标志基因。这种细微变化可能由疾病发展或药物治疗引发，但对于理解疾病机制和开发精准治疗方案至关重要。传统差异表达分析和标志基因选择方法在处理这种微妙差异时往往力不从心，难以筛选出小而精的基因集合，这成为制约单细胞数据分析精度和应用价值的瓶颈问题。
为了突破这一技术壁垒，研究团队创新性地提出了迭代逻辑回归（iLR）方法。这项发表于《Bioinformatics》的研究展示了一种全新的计算生物学策略，通过将逻辑回归与Pareto前沿优化相结合，iLR能够在保证分类性能的同时，大幅减少所需基因数量，实现对细胞状态细微变化的高度敏感检测。
在技术方法层面，研究团队主要运用了以下核心策略：首先建立了基于迭代逻辑回归的基因选择框架，通过Pareto前沿优化平衡基因集规模与分类性能；其次利用计算机模拟数据集进行基准测试验证方法效能；最后通过实际生物医学应用场景验证实用性，包括神经元亚型鉴定（健康与自闭症谱系障碍患者对比）和肿瘤微环境分析（跨器官和跨物种比较）。
基准测试验证效能
研究人员在计算机模拟数据集上对iLR进行了系统评估，结果显示该方法仅需使用少量基因就能达到与现有最先进方法相媲美的单细胞分类性能。这一发现表明iLR在保持高精度的同时，显著提高了基因选择的效率和经济性。
神经疾病应用突破
在自闭症谱系障碍研究中，iLR成功区分了患者与健康个体的神经元细胞亚型。特别值得注意的是，该方法仅用少量疾病相关基因就实现了高精度分类，不仅证明了其在复杂神经系统疾病研究中的实用性，更为理解自闭症发生的分子机制提供了新的线索。
肿瘤免疫治疗洞察
当应用于肿瘤微环境研究时，iLR展现了更强的通用性。研究人员发现该方法筛选出的信息基因在不同器官间甚至跨物种（从小鼠到人类）比较中都具有良好的可移植性。通过对免疫治疗效应的深入分析，研究团队基于iLR预测提出：entinostat（恩替司他）可能部分通过调节肺微环境中髓系细胞的分化路径发挥作用，这为理解该药物的作用机制提供了新的理论依据。
这项研究的核心价值在于iLR方法学的创新性突破。通过迭代逻辑回归与多目标优化的巧妙结合，研究人员建立了一个能够从复杂单细胞数据中推断可解释转录特征的有效工具。这些特征不仅具有重要的生物学意义，更展现出显著的预后判断和治疗开发潜力。该方法的开源特性（通过GitHub和Zenodo平台免费提供）确保了其可及性和可重复性，为更广泛的研究社区参与单细胞数据分析方法创新奠定了坚实基础。
从临床应用前景来看，iLR提供的这种高效、精准的基因筛选能力，将显著推动个性化医疗发展。在疾病生物标志物发现、药物治疗靶点识别以及跨物种研究转化等多个层面，该方法都将发挥重要作用。特别是在肿瘤免疫治疗和神经精神疾病研究领域，iLR展现出的高灵敏度和特异性，为开发新的诊断方法和治疗策略提供了强有力的技术支撑。
