2026-09-29
PCA把丰度当重要性，稀有细胞进不了自己的簇。DR-GEM用重建误差自监督，卵巢癌空间数据肥大细胞从0%提到85%。
单细胞和空间转录组分析几乎都走同一条管线：PCA 降维、SNN 聚类、UMAP 可视化，再按 marker 给簇贴标签。Stanford 的 Yeh、Jerby 等人指出，这条管线有一个被当成数据问题的分析问题：模型把样本丰度当成重要性。
在 800 组合成数据里，稀有细胞类型越少，重建误差（reconstruction error, RE，输入与低维重构之间的均方误差）越高。真实数据里，稀有细胞落在 RE 最高 10% 的概率是期望的 2.85–9.18 倍。后果很具体：稀有细胞不形成自己的簇，被随机塞进别的簇。多测序或预先富集已知稀有群，解决不了分析阶段已经把少数群体抹掉这件事。
把 PCA 换成 KL-DRO、CVaR-DRO，最坏情况的 RE 确实降了，稀有细胞还是聚不成簇。连给了真实类别标签的 Tilted FairPCA 也一样：RE 公平了，聚类仍然失败。问题卡在「平均误差好看」和「少数群体能成簇」不是同一件事。
DR-GEM（Distributionally Robust and latent Group-AwarE consensus Machine learning）是套在现有降维和聚类外面的自监督元算法。主实验用 PCA + SNN，Nature 修订版也包了 Kernel PCA、LDA、scVI。
分三步，外加可选的签名标注。
监督信号全是模型自己产的：RE、弱标签、共识分数。实现是 R 包，仓库在 Jerby-Lab/drgem。
合成数据最干净。Synthetic Dataset 1（稀有类型 50/21,250）上，DR-GEM 把稀有细胞正确标成独立簇的比例是 98%，标准管线是 0%；稀有与其余细胞的 RE 差异不再显著（p=0.78）。带 ambient RNA 的 Dataset 2：稀有细胞 88% vs 0%；被污染的稀有细胞 64.7% vs 0%；高置信细胞正确率 99.0%。Nature 修订又加了 5 个稀有类型并存的 Dataset 3：每个稀有类型 90–98%，标准管线仍是 0%。
| 数据 | 稀有类型 | 标准管线 | DR-GEM |
| 卵巢癌 CosMx 非恶性（82,808 细胞） | 肥大细胞 0.397% | 无对应簇 | 85% |
| 全量 CosMx（491,792 细胞） | 肥大细胞等 | 只检出最丰 4 类 | 7 类全检出，肥大细胞 86% |
| 卵巢癌 MERFISH | B 细胞等 | 只检出最丰 4 类 | 6 类全检出，成纤维 97.3% vs 47% |
| 小鼠下丘脑 MERFISH | 周细胞 0.866% | 无对应簇 | 79% |
| 乳腺癌 IMC | B 细胞 | 无对应簇 | 88% |
Perturb-seq（K562 CRISPRi，对照 75,305 个，扰动可低至 0.133%）里，PTPN1i 上 DR-GEM Accuracy 0.95、Balanced Accuracy 0.92、Sensitivity 0.89，标准管线分别是 0.93、0.85、0.77。sgRNA 阳性但扰动签名低的细胞里，仍有 59% 被标成 PTPN1i，差异表达签名会漏掉这批状态。MRPL24i 和 NRDE2i 检出低于 50%，假阴性的扰动签名也显著更低，更像 sgRNA 没真正打上。
Nature 审稿补的两块更接近使用场景。对照 GiniClust3、scCAD、CIARA，14 项稀有细胞任务里 DR-GEM 赢 12 项；scCAD 只在 PBMC 血小板上更好，CIARA 只在发育胸腺上更好，空间和 Perturb-seq 上后两者经常 Sens=0。患者层面：185,071 个恶性细胞、43 名患者里 12 人占比低于 1%，标准管线把 34/43 人映射到患者特异簇，DR-GEM 是 39/43，含 8/12 低代表患者；还挖出患者 1 里 543 个细胞（0.29%）的新亚克隆，病理医生确认对应形态独立区域。
这是分析偏差，不是测序深度不够。DRO 和 FairPCA 单独改目标函数不够，「RE 公平」不等于「能聚成簇」。适用场景很具体：空间转录组 ambient RNA 重、Perturb-seq 扰动极度不均衡、想从 atlas 里捞低丰度患者或新亚克隆。它是元算法，可以套在 PCA 或 scVI 外面，不强迫换掉现有 Seurat 习惯。
方向清楚，但没有新的基础模型：把监督里常见的「看哪里还没学好」搬到了无监督降维。SMOTE+PCA 在合成数据上稀有细胞也能到 100%，但会把稀有群画得虚假异质，而且没有 per-cell 置信度。需要稳健参考图时，DR-GEM 更完整。
作者承认：Phase II 反复降维计算量大；框架故意平台无关，没用空间坐标和多组学；下一步才考虑 online learning。IMC 里高 RE 也会标到特征面板覆盖不足的高丰度基质细胞，RE 右尾不等于一定是稀有生物学。
真实数据的 ground truth 来自原论文，那些标签本身也走了聚类和数据整合，用它们评「找回稀有细胞」有循环风险。作者用 Perturb-seq 的 sgRNA 身份部分对冲，但 sgRNA 检出也不等于功能扰动。聚类分辨率按 AMI 对 ground truth 调过，对标准管线和 DR-GEM 可能都偏乐观。Annotations-in-the-loop 会把模型拧向预定义签名，审稿人也指出这可能压掉其他生物学信号。空液滴要先做 QC 滤掉，DR-GEM 不负责这件事。