测不准、测不全、测不齐？Nature Methods 新模型 CytoVI 用概率生成模型统一抗体单细胞分析

一、抗体单细胞数据为什么"特别难搞"

先说清楚难点，才能理解 CytoVI 到底解决了什么。

• 读数不准

  ：流式靠荧光强度，细胞间互相串扰（荧光溢漏）、信号动态范围有限；质谱流式免了串扰，但成本高、通量低。

• 批次效应重

  ：不同仪器、不同染色方案、不同抗体克隆，同一群细胞在不同批次里漂得亲妈都不认识。

• 蛋白维度受限

  ：一次最多测 50 来个蛋白（流式受荧光光谱重叠限制），想要更高维只能靠 CITE-seq 这类多组学，但又引入技术平台差异。

• 稀疏与缺失

  ：单细胞层面信号本就稀，panel 一换，同一蛋白在另一批里就根本没测——数据天然"缺一块"。

基因组单细胞数据（scRNA-seq）的稀疏来自随机 dropout，而抗体数据是高分辨率、近连续的测量，噪声结构完全不同。直接套用 scVI 这类为转录组设计的模型并不合适。

二、CytoVI 是什么：一个统一的生成模型

CytoVI 的核心思路是把"细胞该长什么样"用一个概率模型显式描述，所有下游任务都从这个同一个模型里"长"出来，而不是各做各的管线。

▲ 图1｜模型总览：a CytoVI 是一个隐变量模型——蛋白表达作为观测，经过编码器映射到隐空间 z，解码器再重建表达并预测缺失蛋白；b 结构同时兼容高斯先验与高斯混合先验（捕捉多模态细胞状态），并显式建模批次与平台；c 一个模型同时输出四类能力：批次校正、标记物插补、差异分析、自动注释; d 下游对接 CellRank 等工具做轨迹推断。

三、一套模型，四类任务一次解决

传统做法往往"整合用 Harmony、插补用另一套、注释再手写规则"。CytoVI 把四件事装进同一个概率框架：

• 批次 / 平台校正

  ：隐空间里把不同仪器、不同 panel 的细胞对齐，Bio-conservation 指标不丢生物学。

• 标记物插补

  ：模型学会了蛋白间的联合分布，没测的蛋白也能从已测的"猜"出来，且带不确定性。

• 差异蛋白表达检验

  ：直接在生成模型下做统计检验，比事后 t 检验更稳。

• 自动注释

  ：隐空间聚类 + 参考标签，新数据进来自动打细胞类型标签。

也就是说，你不用再为每一步单独挑工具、调参数，一个模型从头管到尾。

四、Fig.2 可解释的潜空间：整合不丢生物学

模型好不好，先比整合质量。作者用一套标准 benchmark（Leiden 聚类、NMI、ARI、Silhouette、cLISI/iLISI、KBET、图连通性等）对比了 CytoVI、Harmony、FastMNN、cyCombine 和未整合基线。

▲ 图2｜可解释潜空间与基准对比：a CytoVI 隐空间 UMAP，细胞类型清晰可分；b 与流式、质谱流式、CITE-seq 多平台联合后的聚类效果; c 综合评分表——CytoVI 在 Batch correction 与 Bio-conservation 两项均居首，总体分数领先; d–e 与其他方法的逐项指标对比，CytoVI 在保留细胞类型结构的同时消去了批次。

关键结论：CytoVI 不只"抹平批次"，还保住了细胞类型的真实结构——这正是生成模型相对纯判别方法（如 Harmony 的线性校正）的优势。

五、Fig.3 跨 panel 整合：350 蛋白 B 细胞成熟图谱

抗体 panel 一换，数据就断裂。CytoVI 做了一件很实的事：把两位供体、12 个相互重叠的 CyTOF panel 拼成一张统一的 350 蛋白 B 细胞成熟图谱。

▲ 图3｜跨 panel 整合与 B 细胞生物学发现：a 多 panel 数据经 CytoVI 对齐后的统一嵌入；b 叠加 Kreutmair、Nunez 等公开参考后的细胞类型注释; c 沿分化拟时序（pseudotime）的蛋白表达轨迹; d 类别转换记忆 B 细胞 vs 非转换记忆 B 细胞的差异蛋白; e–i 富集分析锁定与免疫球蛋白类别转换（class-switching）相关的蛋白，包括 IgD、IgM、IgA 等分化标志的动态变化。

这一步的产出是一张跨平台、跨批次的统一蛋白图谱，并直接指向了控制 B 细胞类别转换的关键调控蛋白——这是单 panel 分析很难看到的全局视角。

六、Fig.4 跨技术整合与插补：流式、质谱、CITE-seq 串起来

更硬核的是跨技术层面。CytoVI 能把流式（ground truth 标签）、质谱流式（imputed）、CITE-seq 三种技术的蛋白测量统一到同一空间，并互相补数。

▲ 图4｜跨技术整合、插补与淋巴瘤差异分析：a 流式与质谱流式散点插补，重建未测蛋白的二维分布（r 接近 1）; b–d 流式↔质谱↔CITE-seq 的模态插补与整合; e–g 自动检测的疾病相关 T 细胞状态; h–m 在 B 细胞非霍奇金淋巴瘤（n=63）中，与正常淋巴组织（rLN）相比，双阴性 T 细胞、增殖 T 细胞、TFH、CD8+ TEM 等状态的相对频率与差异蛋白（如 NKG7、GZMA、IFNG、TRDC 等细胞毒/耗竭标志）显著改变; n 基于 CITE-seq 的转录组插补验证。

七、在淋巴瘤里挖出"疾病相关 T 细胞状态"

上面那张图最有临床味道的是 h–m 部分。作者把 63 例 B 细胞非霍奇金淋巴瘤（DLBCL、FL、MCL、MZL）和正常淋巴组织放一起做差异分析，自动识别出一批在肿瘤中异常富集的 T 细胞状态：

• 双阴性 T 细胞（Double-negative T cells）、增殖性 T 细胞显著上调；
• TFH 样、CD8+ TEM（PD-1−/TIM3− 与 PD-1+/TIM3+ 亚群）的频率和标志表达随亚型改变；
• 细胞毒/耗竭相关蛋白（NKG7、GZMA、GZMK、IFNG、TRDC、KLRG1 等）在肿瘤微环境中重塑。

这些状态过去靠人工设门很难系统捕捉，CytoVI 用统一模型把它们"自动浮现"出来——对免疫微环境研究是直接可用的抓手。

八、Fig.5 自动诊断血液恶性肿瘤：CLL 分类达 AUC 0.74

最后落到临床。作者用 700 万细胞的临床 CLL 数据训练参考模型，再对 3100 万细胞的查询数据做自动肿瘤负荷分类，并与临床医生标注对照。

▲ 图5｜自动化血液恶性肿瘤诊断：a 工作流——参考图谱注释 + 训练参考模型 → 自动患者分类; b–g 慢性淋巴细胞白血病（CLL）细胞频率的自动估计与临床标注高度一致（r 最高 0.99）; h–j κ/λ 轻链限制分析，AUC-ROC 达 0.74±0.09; k–l 标签不确定性（label uncertainty）能标出低肿瘤负荷与未检测样本，提示人工复核。

亮点在于 label uncertainty 机制：模型不光给分类，还告诉你"哪些样本它没把握"——这种可解释、可质疑的输出，正是临床落地最需要的。

九、结语：为什么 CytoVI 值得关注

回到开头那四座大山——噪声、批次、平台、panel 受限。CytoVI 没有给出又一个"单独好用"的工具，而是用一个概率生成模型把它们统一收编：整合、插补、差异检验、注释一次完成，而且输出带不确定性、可解释、可质疑。

对做免疫分型、肿瘤微环境、临床流式诊断的团队，这意味着：

• 多批次、多 panel、多技术的数据，终于能放进同一个分析框架；
• 标注稀缺时，插补与自动注释能直接补位；
• 模型开源、进 scvi-tools，复现和二次开发门槛低。

如果你手上是流式或 CITE-seq 数据、正被批次和 panel 割裂折磨，CytoVI 值得作为新的 baseline 试一试。