单细胞分析总漏掉稀有细胞？DR-GEM让AI向自己的错误学习

我们先从一个所有做过单细胞分析的人都见过的场景说起：UMAP图上，绝大多数细胞形成漂亮的分型色块，但总有几小撮细胞散落在边缘——它们是谁？是噪声，还是被算法淹没的真正稀有细胞类型？

Nature Communications 最新在线发表的研究给出了一个扎心的答案：很多时候不是数据不够，而是算法默认了"多即是重要"。

稀有细胞的"沉默成本"：标准流程的系统性盲区

研究团队用合成数据把这个问题量化到了极致。他们构建了含5种细胞类型的模拟数据集（21,550个细胞），丰度从8000、5000、4500、4000一路递减到只有50个细胞的第5类——占比0.23%，模拟真实组织中的稀有细胞类型。

跑一遍标准流程（PCA降维→UMAP可视化→Louvain-SNN聚类），结果一目了然：

• - 稀有细胞的重构误差（RE）显著高于其他细胞，且在RE分布右尾中被系统性富集——RE本质上是模型"重建这个细胞失败的程度"，数值越高说明模型越没把它学明白；
• - 在800个稀有细胞比例递减（从15.67%降到0.12%）的模拟数据集中，这一富集模式稳定出现；
• - 更糟的是，聚类时稀有细胞无法形成自己的簇，被硬生生拆散安插进其他细胞类型，标注准确率归零。

▲ 图1｜稀有/罕见细胞在标准单细胞分析流程中嵌入不良且易被错误标注。A为合成数据生成方案；B显示800个递减丰度模拟数据集中稀有细胞的RE持续偏高；C-E展示RE右尾富集与聚类错标；F-G将同一现象复现于小鼠下丘脑MERFISH与Perturb-seq真实数据。

关键洞察在这里：RE右尾富集的是"类别不平衡"本身，而不是测序质量差。团队进一步模拟了环境RNA污染、低读数细胞（20%）和批次效应（20%）三种技术噪声，发现这些"坏细胞"反而在RE右尾中是缺失的——也就是说，RE升高的主因是稀有，不是噪声（所有噪声数据集中p<4×10⁻¹⁴）。这为后续用RE定位稀有细胞提供了干净的理论依据。

现有补丁不管用：DRO与公平性算法为何失效

"分布鲁棒优化（DRO）"和"公平性学习"本是为不平衡数据设计的，那直接用它们改造PCA行不行？作者测试了三种代表方法（图2）：

• - KL-DRO（KL散度约束）与CVaR-DRO（条件风险价值）目标下求解PCA：调遍超参数，稀有细胞的RE依旧高企，聚类照样错标；
• - Tilted Fair PCA：能把稀有细胞与多数细胞的RE差距稍微拉近（但p=1，不显著），依然无法让稀有细胞独立成簇。

▲ 图2｜现有DRO与公平性感知算法并不能改善稀有细胞的嵌入与检测。A为KL-DRO与CVaR-DRO优化PCA的示意图；B-E展示三种方法在合成数据上的表现，稀有细胞仍被错误标注。

问题的根子在于：这些方法只调损失函数的权重，但聚类环节依然在同一张"多数派主导"的嵌入图上进行。稀有细胞的信号没有被真正"翻案"，只是被轻描淡写地减了刑。这正是DR-GEM选择另起炉灶的原因。

DR-GEM的解法：让模型从自己的错误中学习

DR-GEM（Distributionally Robust and latent Group-AwarE consensus Machine learning）是一个自监督元算法——它不发明新的降维方法，而是在任何现成方法（PCA、Kernel PCA、LDA、scVI皆可）外面包一层"错误驱动的补课机制"。全流程分四个阶段：

• - Phase I｜分布鲁棒初始化：先用标准方法（默认PCA）对全部细胞做嵌入，计算每个细胞的RE；取RE最高β分位（默认5%）的"高危细胞"，单独在这个子集上重新拟合一个初始嵌入E(init)，再把所有细胞投影进去做聚类，得到初始"弱标签"。这一步的本质是把模型的注意力强行拉到它原来学得最差的地方。
• - Phase II｜平衡共识学习：从弱标签出发，抽取r次"每类等额"（默认每簇500细胞）的平衡子样本，分别独立嵌入+聚类；不同轮次之间的簇标签用Kuhn-Munkres（匈牙利）算法对齐。稀有细胞在每一轮子样本中都不再是"零头"，而是与多数派平起平坐。
• - Phase III｜聚合与高置信参考图谱：对r轮预测做多数投票得到最终标签；每个细胞获得置信度分数s（它被分到最终簇的轮次比例）。高置信细胞（默认s>0.95）用来构建"参考嵌入"，全部细胞再投影其上。低置信分数还能反过来标记可疑细胞——实测中被错误标注的细胞、被环境RNA污染的细胞，置信度都显著更低。
• - Phase IV（可选）｜签名注释：用已知基因签名（signature）的总体表达（OE）自动把簇映射到细胞类型，为端到端注释闭环。

▲ 图3｜DR-GEM是用于降维与聚类的自监督元算法。A-C分别对应Phase I-III：RE定位高危细胞→平衡子采样集成→共识聚合与高置信参考图谱；D为可选的签名注释（Phase IV）。

这个设计嫁接了监督学习里三个经典思想的精髓：分布鲁棒优化、难例挖掘（hard-example mining）和boosting——让模型检测并学习自己的错误，只不过整个回路不需要任何标签。

合成数据实测：稀有细胞检出率从0%到98%

战绩说话（图4-5）：

• - 基础战场（Synthetic Dataset 1）：标准流程对稀有细胞标注准确率0%；DR-GEM让稀有细胞独立成簇，准确率98%，且各类细胞RE被拉平（p=0.78）。
• - 加环境RNA（Synthetic Dataset 2）：DR-GEM对稀有细胞标注准确率88%（标准流程0%）；对被污染细胞整体标注正确率86.9%，只看高置信细胞（s>0.95）时达99.0%（标准流程84.3%）；被污染的稀有细胞正确率64.7%对标准流程的0%。
• - 加低读数/批次效应：稀有细胞检出率分别98%和96%，标准流程两种场景下全军覆没（0%）。
• - 多类稀有细胞（Synthetic Dataset 3，5种稀有类型各50个）：DR-GEM让全部5种稀有类型各自成簇，每种类型标注准确率90%-98%（标准流程再次0%）。
• - 与需要标签的方法组合：DR-GEM+SMOTE能达到100%准确率，但会扭曲稀有细胞群的表达景观（把均一群体虚假地表现为高度异质）；DR-GEM+类加权PCA减了RE差距却仍错标——DR-GEM独立使用反而更稳。

▲ 图4｜DR-GEM在合成数据集上优于替代方法，改善稀有细胞的嵌入与标注。A-C对比有无环境RNA时标准流程与DR-GEM的聚类及混淆矩阵；D-H展示置信分数如何识别错标与污染细胞。

▲ 图5｜DR-GEM在含技术噪声与多类稀有细胞的模拟数据上表现出色。A-B为20%低读数与20%批次效应场景；C-D为含5种稀有细胞类型的数据集，DR-GEM全部正确分型。

同样一套机制还能与Kernel PCA、LDA、scVI（VAE）等不同底座组合，稀有细胞改善一致复现——说明这层"错误驱动补课"是方法无关的通用外挂。

真实考验一：卵巢癌空间转录组，0.397%的肥大细胞现形

合成数据终究是理想国。团队把DR-GEM放到高级别浆液性输卵管卵巢癌（HGSC）的CosMx单分子成像（SMI）空间转录组数据上——82,808个非恶性细胞，其中肥大细胞（Mast cells）仅占0.397%（329个），且数据带有明确的背景RNA污染。

标准流程的表现：肥大细胞在嵌入图中四散漂泊、无法成簇，RE显著高于所有其他细胞类型（p=5.08×10⁻²⁰⁶）；聚类-匹配后成纤维细胞96%、单核细胞97%、内皮细胞98%、T/NK细胞97%都能对上号，唯独没有任何一簇对应肥大细胞（B细胞也只有61%）。

DR-GEM的表现：肥大细胞独立成簇且RE与其他类型持平（p=0.303），全类型一对一匹配——成纤维93%、单核99%、内皮99%、B细胞78%、T/NK 95%、肥大细胞85%。在全部细胞（含恶性细胞、SMI+MERFISH两种平台）的注释闭环模式下，标准流程只能识别最丰的4类细胞，DR-GEM在SMI中识别全部7类、MERFISH中识别全部6类。

▲ 图6｜DR-GEM在HGSC空间转录组中识别稀有细胞类型并缓解环境RNA影响。A-B对比标准流程与DR-GEM在非恶性细胞上的表现；C为高置信参考图谱；D-G展示全数据集（SMI与MERFISH）上DR-GEM检出全部细胞类型。

真实考验二：43位患者的恶性细胞，找回9位"沉默者"并揪出亚克隆

恶性细胞高度异质、常按患者聚类，是检验"患者级不平衡"的天然考场。团队对185,071个恶性细胞、43位患者的SMI数据施用DR-GEM（annotations-in-the-loop模式）：

• - 标准流程：44个患者特异性簇只覆盖34/43位患者——剩下9位患者在数据中占比不足1%，他们的恶性细胞状态被彻底吞没；占比最低的12位患者中仅3位拥有自己的簇。
• - DR-GEM：39/43位患者拥有患者特异性簇，12位低代表患者中8位被找回。

更有说服力的是个案：某位患者DR-GEM分出3个簇（标准流程只有2个），其中仅DR-GEM检出的簇49（543个细胞，占0.29%）在空间上紧密聚集——经独立阅片的 board-certified 病理医生确认，它对应H&E染色上形态学截然不同的一个恶性亚克隆。算法先看见，病理再证实——这是"稀有≠噪声"最漂亮的实锤。

▲ 图7｜DR-GEM改善稀有患者特异性恶性细胞的检测，并发现形态学上独特的恶性亚克隆。A为各患者恶性细胞数量；B-C对比标准流程与DR-GEM的患者覆盖；D-E展示簇49在空间上对应病理确认的亚克隆。

真实考验三：小鼠下丘脑MERFISH，周细胞从0%到79%

团队再用注释金标准数据加压：小鼠视前下丘脑MERFISH数据集（73,655个细胞，9种细胞类型+Ambiguous），最稀有的周细胞（Pericyte）仅占0.866%（638个）。

标准流程下，周细胞无法成簇、RE显著偏高（p=1.50×10⁻³），注释准确率为0%——没有任何一簇映射到周细胞。DR-GEM（注释闭环模式）下，周细胞独立成簇、RE拉平（p=0.45），注释准确率79%；其他类型也普遍保持或改善（星形胶质细胞94%、室管膜细胞98%）。

一个细节很能体现置信分数的价值：原研究标注为"Ambiguous"的9,282个细胞，DR-GEM虽把它们分入各类，但其置信度分数显著低于其他细胞（p=1.12×10⁻¹⁷⁷）——算法用分数诚实地标注了自己的不确定，这比硬给个答案珍贵得多。

▲ 图8｜DR-GEM在小鼠下丘脑MERFISH数据中识别稀有细胞类型并缓解背景RNA影响。A-B对比标准流程与DR-GEM，周细胞（0.866%）从无法成簇到独立成簇（79%准确）；C为基于配对scRNA-seq签名的参考图谱。

真实考验四：Perturb-seq，从7.5万对照细胞里捞出371个扰动细胞

Perturb-seq是类别不平衡的重灾区：K562全基因组CRISPRi数据集中，非靶向对照（NTC）细胞多达75,305个，而单个扰动的细胞数从2到1,963不等。团队选取了6种转录影响强度不同的扰动做考验：PTPN1i（371个，占0.490%，1,844个DEG）、MED19i（299个）、SRRTi（100个）、MRPL24i（268个）、CASP8AP2i（211个）、NRDE2i（172个）。

以PTPN1i为例（图9）：标准流程的UMAP上扰动细胞与对照连成一片"连续统"；DR-GEM则给出两个边界清晰的簇，与扰动状态一一对应。量化到分类指标：DR-GEM准确率1.00、平衡准确率0.94、灵敏度0.89，全面碾压标准流程的0.93/0.85/0.77。

更耐人寻味的是生物学层面的发现：sgRNA检出阳性但被DR-GEM判为NTC的细胞，其PTPN1i扰动签名表达显著更低——很可能sgRNA虽在，功能干扰却没发生；反之，24%的低签名PTPN1i细胞中有59%仍被DR-GEM判为PTPN1i，说明DR-GEM捕捉到了标准差异表达分析捕捉不到的扰动效应。对MRPL24i和NRDE2i这两个检出率低于50%的扰动，假阴性细胞的扰动签名同样显著更低——"没被检出"很可能等于"没被扰动"，而非算法漏检。

▲ 图9｜DR-GEM捕捉Perturb-seq中PTPN1 CRISPRi的转录影响。A-C对比标准流程、DR-GEM高置信参考与全体细胞的嵌入；D-E展示RE收紧与分类性能；F展示签名表达与预测结果的双向验证。

▲ 图10｜DR-GEM在极端类别不平衡下捕捉基因扰动状态。A-E为MED19i、SRRTi、MRPL24i、CASP8AP2i、NRDE2i五种扰动的嵌入与预测；F-G量化预测准确率并以扰动签名验证假阴性的生物学含义。

横向对比、局限与开泰视角

最后是硬碰硬的对决：与三个专门的稀有细胞检测框架GiniClust3、scCAD、CIARA在9个数据集、14项稀有细胞检测任务上对垒（覆盖模拟、空间转录组、Perturb-seq、scRNA-seq），DR-GEM在11/14项任务上胜出。GiniClust3在囊性纤维化数据上颗粒无收；CIARA在全部6个Perturb-seq子集及MERFISH、HNSCC上均未检出稀有细胞；scCAD则 missed 全部Perturb-seq子集与HGSC空间数据。当然也要公平地讲：PBMC数据上scCAD最优，胸腺发育数据上CIARA最优——每个方法都有主场。

冷静看局限：Phase II的多轮平衡子采样带来更高的计算开销（作者证明较少轮次即可收敛，并建议引入在线学习动态更新）；与所有降维方法一样，推荐嵌套使用（先分大群，再逐群细分）；Phase IV依赖签名质量，签名选得不好注释跟着跑偏。

这篇文章对我们的三个日常场景都有直接价值。其一，做DIA蛋白质组或单细胞数据分析时，如果某个亚群在PCA/UMAP上总是一团糊，先别急着怪数据——算一下RE右尾富集了谁，很可能就是被"多数派暴政"埋没的稀有群体。其二，DR-GEM的置信分数机制值得借鉴到任何流程里：给每个预测一个诚实的不确定性，比把准确率吹到天花更有用。其三，它的思想是平台无关的——空间组学、Perturb-seq、甚至人群-scale的祖先可视化偏差矫正，都可以套用"从错误中学习"这层元框架。R包已开源，值得在自己最头疼的那个数据集上跑一轮试试。

参考资料：Yeh CY, Sun MW, Zhu D, Jerby L. DR-GEM enables self-supervised machine learning for single-cell embeddings and annotations. Nature Communications (2026). doi: 10.1038/s41467-026-77908-z