斯坦福DR-GEM用重构误差重定向注意力，稀有细胞标注从0%到98%

2026-09-25

斯坦福DR-GEM把重构误差当自监督信号，均衡共识学习后合成数据稀有细胞标注从0%升到98%，空间组学和Perturb-seq上也能成簇。

这篇在解决什么

单细胞分析的默认流水线几乎总是同一套：PCA 降维、Louvain 在共享近邻图上聚类、UMAP 可视化、再按簇贴类型。目标函数对每个细胞的误差取平均。细胞多的类型主导拟合，细胞少的类型对总损失几乎没有权重。

问题的主因不是数据太少。合成实验里，稀有类型的标记基因协方差会随频率一起掉，50% 是拐点：再往上 PCA 更盯类内波动，再往下这些标记基因在全数据里几乎看不见。结果是重构误差（reconstruction error，RE，输入与从低维空间重建回来的均方差距）集中砸在少数派细胞上。八个真实数据集里，稀有类型、稀有状态或稀有扰动的细胞，落进 RE 最高 10% 的概率是其余细胞的 1.15 到 9.18 倍。它们在 UMAP 上散开，被并进多数派簇。

现成的分布鲁棒优化（DRO）也救不了。KL-DRO 和 CVaR-DRO 确实把最差情况的 RE 压下去了，稀有细胞仍然不成簇、标错。Tilted Fair PCA 连真实类别标签都喂进去了，稀有细胞的 RE 降下来（效应量 rrb = −0.95），照样聚不到自己的簇。公平降维能均误差，均不出「这群细胞是一类」这件事。

方法

DR-GEM 全称 Distributionally Robust and latent Group-AwarE consensus Machine learning，是套在任意降维加聚类外面的自监督元算法。默认底座仍是 PCA 加 Louvain-SNN。它不把「少」当噪声，把第一次拟合里最失败的地方当信号。

分三步，外加可选的签名标注。

• 第一阶段：先按标准流程嵌一遍，算出每个细胞的 RE。默认取 RE 最高的 5% 细胞，只在这批高风险细胞上再拟合一套嵌入 E(init)，再把全体投影进去，得到弱聚类标签。第一次 PCA 漏掉的模式，正好挤在误差右尾。
• 第二阶段：按弱标签做均衡抽样。每个弱簇最多抽 500 个细胞，重复 r 次，每次单独降维聚类。簇名用 Kuhn-Munkres（匈牙利算法）对齐。稀有簇每次都会被抽满，等于在目标函数里把它们抬到和多数派同一量级。
• 第三阶段：多数表决得到最终簇，置信度是该细胞被分到最终簇的次数占比。默认只拿置信度 > 0.95 的细胞做参考嵌入，再把全体投影回去。高置信细胞更不像 ambient RNA 或 doublet。发育组织里低置信也可能是真实过渡态，需要单独看。
• 可选第四阶段：用已知基因签名给簇贴类型。还有 annotations-in-the-loop 变体，把签名提前嵌进前两阶段，用来把高度异质的恶性细胞收成一类。

这和 BERT、MAE 那种表征自监督不是同一类工作。DR-GEM 更接近硬例挖掘和 boosting：先定位拟合失败的地方，再把容量拧过去。

结果

合成数据最干净。Dataset 1 共 21550 个细胞、5 类，最少的一类只有 50 个。标准流程把这 50 个全标错。DR-GEM 标对 98%，稀有类和其他类的 RE 不再有显著差异（p = 0.78）。换成 Kernel PCA、LDA 或 scVI 当底座，稀有类仍堆在高 RE，套上 DR-GEM 才能捞出来。

加 ambient RNA 的 Dataset 2：DR-GEM 标对 88% 的稀有细胞，标准流程仍是 0%。被污染的稀有细胞分别是 64.7% 对 0%。置信度滤到 > 0.95 时，污染细胞整体正确率从 86.9% 升到 99.0%。20% 细胞低读数或批次效应时，DR-GEM 检出 98% 和 96% 的稀有细胞，标准流程仍全标错。五个稀有类型同时存在时，DR-GEM 对每一类标对 90%–98%，标准流程全是 0%。

SMOTE 接在弱标签后能到 100% 准确率，却把稀有群体画得过分异质。类加权 PCA 能均 RE，仍聚不成簇。

真实数据同样硬。高级浆液性输卵管卵巢癌 CosMx 空间转录组，非恶性细胞 82808 个，肥大细胞只占 0.397%（329 个）。标准流程没有肥大细胞簇，DR-GEM 标对 85%；B 细胞从 61% 升到 78%。整张 SMI 图标准流程只认出最丰富的 4/7 类，DR-GEM 7/7；配套 MERFISH 从 4/6 到 6/6。43 名患者的 185071 个恶性细胞：标准流程给 34/43 人做出患者特异簇，12 名占比 <1% 的患者里只有 3 人有自己的簇；DR-GEM 是 39/43 和 8/12，并多检出一个空间上独立、病理医生确认过的亚克隆（543 个细胞，占 0.29%）。

小鼠视前下丘脑 MERFISH，周细胞占 0.866%。标准流程 0%，DR-GEM 79%。K562 Perturb-seq 里非靶向对照 75305 个细胞，PTPN1 干扰只有 371 个（0.49%）。DR-GEM 准确率 1.00、平衡准确率 0.94、灵敏度 0.89，标准流程分别是 0.93、0.85、0.77。14 项稀有细胞检出任务里，DR-GEM 赢了 11 项；scCAD 在 PBMC 上更好，CIARA 在发育胸腺上更好，这两套数据大家都不差。

为什么重要

还在用 Seurat 默认 PCA 加 FindClusters 的组，这篇给了一个可替换的壳，R 包叫 drgem。适用场景很具体：肿瘤里的干细胞和耐药残存、发育里的瞬时祖细胞、Perturb-seq 里分布不均的扰动、空间组里占比不到 1% 的类型。标准平均损失把这些本该被看见的群体抹平了。

方法是渐进改进，概念上纠正「再多采点数据就好了」：目标函数把丰度当成重要性，采再多也救不了目标函数本身。KL-DRO、Fair PCA 和稀有细胞工具（GiniClust3、scCAD、CIARA）在合成、空间、Perturb-seq 上经常整类漏检，DR-GEM 把漏检变成能成簇。和 foundation model 搭配还没被认真验证。

局限与存疑

计算更贵。第二阶段要跑很多次均衡子样本，补充材料给出 82808 细胞、500 次迭代峰值内存 7.23 GB，10 核墙钟约 4.2 小时。超大队列需要并行、自动收敛，或只在均衡子样本上跑第二阶段再投影。默认超参（β = 0.05、每簇 500、t = 0.95）是经验值。

真实数据的「真值」来自原论文的人工和整合标注。下丘脑数据里，DR-GEM 对抑制性神经元和 Endothelial 2 的对齐更差，作者怀疑原标注有误，但没有独立实验钉死。Perturb-seq 上 MRPL24i、NRDE2i 的检出不到 50%，作者用扰动签名解释成 sgRNA 在、功能没发生；这是事后解释，也可能是方法漏检。PBMC 上 scCAD 全面更好，发育数据上 CIARA 更好，DR-GEM 不是稀有细胞专用检测器的无条件第一。嵌套式先粗后细还没自动化。和单细胞 foundation model 的搭配只在 scVI 上试过合成数据。

成像质谱里高 RE 也可能来自 panel 特征不够，不总是稀有类型。发育场景下低置信度别当噪声扔掉。

术语

• 重构误差（reconstruction error, RE）：细胞原始表达和从低维嵌入重建回来的均方误差，DR-GEM 拿它当「模型没学会」的探针。
• 分布鲁棒优化（DRO）：不最小化平均损失，改最小化最差分布或最差分位上的损失。
• 均衡共识学习：按簇等量抽样、多次拟合，再用多数表决，把稀有模式抬到和多数派同等权重。
• ambient RNA：悬液或组织解离时漂出来的 mRNA，被错误记到别的液滴或细胞上。
• Perturb-seq：在单细胞 RNA-seq 里同时读出 CRISPR 扰动身份和转录组。

原文与代码

• 原文

社区讨论

• 误差即信号:DR-GEM 用最大重构误差揪出单细胞数据中的稀有群体 bravo_abad

全部论文解读