“漂移的细胞岛”：揭示现有单细胞表示向量评估指标的局限性

研究背景

      单细胞表示向量（scRNA seq embedding）广泛用于分析细胞类型、状态、疾病与发育等问题。随着人类细胞图谱等大规模项目推进，评估这些表示向量质量的指标成为算法发展的基础。当前主流评估体系侧重于细胞类型聚类和批次混合度，但忽视了对谱系结构、发育轨迹等生物学意义的保留，可能导致算法虽然“得分高”但在生物解释上误导性强。

结果与展望

      近日，Genetech 的Aviv Regev团队提出了一个神经网络模型Islander，能在目前所有12项主流评估指标上全面超过所有现有方法，并在11个图谱（覆盖10个器官、超350万细胞）中取得最高得分。但这些得分高的细胞表示向量构造出清晰分离的细胞岛，严重破坏了细胞谱系与连续性结构，并在多次训练中呈现随机漂移现象(drifting cell islands)，揭示当前主流评估指标存在缺陷。

      为此作者进一步提出scGraph，一种基于图结构的全新评估指标，强调整合前后细胞之间关系的一致性。scGraph通过计算不同批次间细胞类型相似性的共识图谱，更敏锐地捕捉生物连续性、发育轨迹与细胞亚群的保持情况。scGraph与当前主流指标scIB互为补充，共同构建更稳健的评估框架。

      本研究表明，过度依赖不完善的评估体系可能导致方法“过拟合”而忽略科学结构和意义，从而误导算法设计和科学发现。作者提出Islander作为“对照方法”暴露评估盲区，并引入scGraph补全评估维度，呼吁未来联合使用多维评估体系，避免评估结果偏离真实生物学意义，误导对模型泛化能力和解释力的判断。

作者简介

      文章第一作者王瀚宸师从Jure Leskovec（斯坦福大学计算机系教授兼AI Lab核心成员）和Aviv Regev（美国三院院士、Roche执行委员会成员兼Genetech研发负责人）。他在AI for Science领域以第一作者在Nature、NeurIPS等顶刊顶会发表多篇论文，个人主页: hanchenw.com。 通讯作者Aviv Regev的研究涵盖基因编辑、空间组学、癌症疗法及AI Agent等前沿领域。共同通讯作者Jure Leskovec的研究专注图学习、大语言模型和Agent等方向。

---

欢迎扫描图片二维码或点击“阅读原文”了解《自然》及其系列期刊。

版权声明：

本文内容由 Nature Biotechnology 刊发文章的原文作者提供，本文所表述的观点均为原文作者的观点。中文内容仅供参考， 一切内容以英文原版为准，欢迎转发至朋友圈。未经允许，请勿转载。未经授权的翻译是侵权行为，版权方将保留追究法律责任的权利。

© 2025 Springer Nature Limited. All Rights Reserved.