《Nature Communications》：Multi-species integration, alignment and annotation of single-cell RNA-seq data with CAMEX
编辑推荐：
本研究针对跨物种单细胞RNA测序（scRNA-seq）数据整合所面临的物种间同源关系模糊、技术差异大等挑战，开发了名为CAMEX的异质图神经网络工具。该工具利用多对多同源关系，实现了多物种scRNA-seq数据的高效整合、比对与注释，在多种跨物种基准数据集中表现优异，并能揭示物种特异性细胞类型与标记基因，为在单细胞分辨率下探索细胞起源与进化提供了强大新方法。
在生命科学领域，单细胞RNA测序（scRNA-seq）技术如同一把高倍放大镜，让科学家得以窥见组织内每一个细胞的独特基因表达谱，为理解细胞多样性、发育轨迹和功能状态带来了革命性变化。随着该技术的普及，来自不同物种的scRNA-seq数据正以前所未有的速度积累，它们就像散落在不同“语言区”的宝藏地图，蕴藏着揭示生命从简单到复杂演化奥秘的关键线索。比较不同物种间的细胞类型，有望追溯器官甚至整个生物体的起源，并阐明进化力量如何在细胞层面塑造生命。
然而，将这些来自不同物种的宝贵数据整合在一起，进行有效的比较和分析，却是一项艰巨的挑战。这就像试图将用不同方言、甚至不同语法书写的多份地图拼接成一张完整的画卷。首先，不同实验室采用的测序技术平台存在差异，引入的技术变异会干扰真正的生物学信号。其次，也是更根本的难题在于物种间基因的同源关系。基因在漫长的演化历程中可能发生复制、丢失或功能分化，导致一个物种的某个基因可能在另一个物种中有多个“亲戚”（直系同源或旁系同源），这种“多对多”的复杂关系传统方法难以精准刻画。此外，许多非模式物种的生物学知识有限，缺乏可靠的细胞类型注释作为参考。这些障碍严重制约了跨物种比较研究的深度和广度，使得海量单细胞数据难以转化为对生命演化的系统性认知。
为了解决上述问题，一项发表于《Nature Communications》的研究带来了一个名为CAMEX的强大新工具。研究团队的核心目标是开发一种计算方法，能够有效整合、对齐并注释来自多个物种的scRNA-seq数据，从而在单细胞分辨率下探索细胞的进化历程。他们成功构建了CAMEX，这是一个基于异质图神经网络（Heterogeneous Graph Neural Network, GNN）的计算框架。与以往方法不同，CAMEX的创新之处在于能够显式地建模和利用物种间基因的“多对多”同源关系。它将细胞和基因共同构建在一个异质图中，通过学习细胞之间、基因之间以及细胞与基因之间的复杂关联，生成高质量的细胞嵌入（embedding）和基因嵌入。基于这些嵌入，CAMEX不仅可以实现跨物种细胞图谱的无缝整合与比对，还能精准地注释细胞类型，并识别出那些只存在于特定物种中的“物种特异性”细胞类型以及驱动其特性的关键标记基因。
为了验证CAMEX的性能，研究人员在涵盖从1个到11个物种不等的多个跨物种基准数据集上进行了系统测试。结果表明，CAMEX在数据整合质量、细胞类型对齐准确性等方面，均显著优于当前最先进的同类方法。更重要的是，CAMEX的应用潜力得到了充分展示。它能够对齐处于不同发育阶段的多种物种的细胞，例如追踪不同动物胚胎中特定器官前体细胞的演化路径，从而为理解器官和生物体的起源提供了前所未有的清晰视角。此外，通过分析基因嵌入，CAMEX可以系统地挖掘在特定物种中高表达的标记基因，这些基因可能是该物种独特性状或适应性的细胞分子基础。总之，CAMEX为进化发育生物学和比较基因组学研究提供了一个全新的、强有力的分析平台，有望揭示进化力量如何在不同物种的细胞层面运作，加深我们对生命之树的理解。
本研究主要采用了以下关键技术方法：1. 异质图神经网络（GNN）框架构建：将多个物种的单细胞RNA测序（scRNA-seq）数据共同建模为一个包含细胞节点和基因节点的异质图，其中边定义了细胞-细胞相似性、基因-基因同源关系以及细胞-基因表达关联。2. 多对多同源关系整合：利用公共数据库（如Ensembl）中的基因同源信息，显式地将物种间复杂的多对多同源关系作为基因节点之间的边纳入图结构中，这是CAMEX方法的核心创新。3. 跨物种数据整合与对齐算法：通过设计的图神经网络消息传递与聚合机制，学习得到统一的细胞嵌入表示，使得同一类型的细胞在不同物种的数据集中聚集在一起。4. 基于嵌入的注释与发现：利用学习到的细胞嵌入进行聚类和细胞类型注释，并利用基因嵌入识别物种特异性的细胞类型和标记基因。研究所用的基准数据集来自已公开的多物种scRNA-seq研究，涵盖不同物种和组织。
CAMEX模型架构与整合原理
CAMEX的核心是一个专为多物种数据设计的异质图神经网络。该模型将每个细胞和每个基因都视为图中的节点。节点之间的连接（边）主要分为三类：第一，基于基因表达谱计算的细胞-细胞相似性边；第二，基于已知同源信息的基因-基因同源边，这里特别支持了多对多的复杂关系；第三，反映基因在细胞中表达量的细胞-基因边。通过多层的信息传播与聚合，该网络能够同时学习细胞和基因的低维嵌入向量。在训练过程中，模型通过优化目标使来自不同物种的、同一保守细胞类型的细胞嵌入在向量空间中彼此接近，而不同细胞类型的嵌入则相互远离，从而实现了跨数据集、跨物种的整合与对齐。
在跨物种基准测试中优于现有方法
研究在多个公开的跨物种scRNA-seq数据集上对CAMEX进行了基准测试，这些数据集涉及物种数量从1对1比较到多达11个物种的整合。评估指标包括用于衡量批次效应去除和生物学结构保存的局部逆差分数（Local Inverse Simpson's Index, LISI）以及衡量细胞类型对齐纯度的平均轮廓宽度（Average Silhouette Width, ASW）等。结果显示，在不同难度的任务中，CAMEX在数据整合质量（即混合不同来源数据的同时保留细胞类型结构）和跨物种细胞类型对齐准确性方面， consistently outperformed）了一系列当前主流方法，证明了其鲁棒性和优越性。
实现跨发育阶段的物种对齐与起源探索
利用CAMEX，研究团队对齐了来自不同物种、处于不同发育时间点的细胞数据。例如，通过整合多个脊椎动物物种的胚胎发育数据，CAMEX能够将不同物种中发育阶段各异的、但属于同源器官（如心脏、神经管）的细胞前体精确地匹配在一起。这种跨时空的对齐能力，使得研究者能够构建“细胞演化树”，追溯特定细胞谱系在进化历史上的分化节点，从而为理解器官的细胞起源和演化路径提供了强有力的计算证据。
识别物种特异性细胞类型与标记基因
CAMEX不仅关注保守性，还能灵敏地捕捉特异性。通过学习到的基因嵌入向量，研究人员可以量化每个基因在不同物种细胞类型中的表达特异性。通过这种分析，CAMEX能够成功识别出那些仅存在于某一（或某些）特定物种中的稀有或特有细胞类型。进一步，通过分析这些物种特异性细胞类型中高表达的基因，即可挖掘出其潜在的标记基因。这些基因可能与物种特有的形态、功能或环境适应性密切相关，为从细胞分子层面解释表型差异提供了新线索。
本研究开发并验证了CAMEX这一创新的计算工具，它通过异质图神经网络巧妙地整合了多对多基因同源关系，成功解决了多物种单细胞RNA测序数据整合、对齐与注释中的关键难题。基准测试表明，其性能优于现有技术。该工具的强大功能体现在两个方面：一方面，它能够实现跨多个物种、甚至不同发育阶段细胞的精准对齐，极大地促进了从单细胞层面探索器官与生物体起源的进化发育研究；另一方面，它具备发现物种特异性细胞类型及其关键标记基因的能力，为理解物种独特性状的细胞基础提供了新途径。讨论部分强调，CAMEX代表了一种处理复杂生物网络数据的新范式，它将细胞与基因置于统一的可学习框架下，其产出的高质量嵌入本身即可作为多种下游分析（如基因功能预测、调控网络推断）的基础。尽管目前主要应用于转录组数据，但其框架具有可扩展性，未来有望整合多组学数据。总之，CAMEX为在单细胞分辨率下系统性地研究进化生物学提供了一个强大、通用且高效的平台，有望从海量的跨物种数据中挖掘出前所未有的生物学见解，深化我们对生命演化机制的理解。
