科技日報記者 張佳星

細胞內(nèi)有數(shù)以億計的堿基、表達程序以及運行策略，而且各不相同。單細胞測序技術(shù)可解讀單個細胞里的這些信息，但人工干預(yù)多、過度依賴人為選定的標記基因使得單細胞測序技術(shù)對細胞的注釋穩(wěn)定性較低。可以理解為，同一類細胞用不同的模型解析，結(jié)果不同，對一些特殊細胞“公說公有理婆說婆有理”的分析結(jié)果往往難以得到廣泛認可。

解決上述問題的關(guān)鍵是減少人工干預(yù)。9月27日，《自然》子刊《自然機器智能》刊載了我國團隊首創(chuàng)的單細胞轉(zhuǎn)錄組細胞類型注釋算法。該算法可以將細胞中的信息轉(zhuǎn)變?yōu)橛嬎銠C能夠理解和學習的“語言”，讓計算機和細胞直接“對話”，減少人為因素影響。

(資料圖)

細分細胞亞型，準確度提升7%

據(jù)算法研發(fā)團隊騰訊人工智能實驗室方面介紹，新算法，即scBERT模型，對最難分類的外周血單核細胞進行了分類，結(jié)果顯示人工智能能夠做到精準標注、注釋極其難區(qū)分的兩類細胞，例如能夠準確區(qū)分CD8+細胞毒性T細胞和CD8/CD45RA+T細胞。研發(fā)團隊成員告訴科技日報記者，“在極具挑戰(zhàn)的外周血細胞亞型細分任務(wù)上，新算法相較現(xiàn)有最優(yōu)方法的70%準確度再提升了7%。”

此外，團隊還在已有的單細胞數(shù)據(jù)集中，將新算法的性能與其他算法進行了對比，這些數(shù)據(jù)集涵蓋17個主要器官或組織、包含50多個細胞類型、超過50萬個細胞。論文中顯示，對于每個數(shù)據(jù)集，團隊均采用了五倍交叉驗證策略，以避免隨機結(jié)果對結(jié)論的影響。結(jié)果顯示，新算法對大多數(shù)數(shù)據(jù)集的分析結(jié)果在精確度和綜合得分方面均表現(xiàn)優(yōu)異。

研發(fā)人員表示，針對不同的單細胞分析任務(wù)和數(shù)據(jù)集解析任務(wù)，都會有不同的算法成為最佳算法，也就是說有的算法擅長某幾類任務(wù)，有的算法擅長另幾類任務(wù)，無法通用，而基于scBERT模型的新算法則表現(xiàn)了很強的通用性，在全部的數(shù)據(jù)集解析任務(wù)中均被列為最佳算法。

跨界使用“工具”，讓機器讀懂細胞語言

那么，新算法為什么能讓機器通過學習讀懂細胞中的復(fù)制、翻譯、轉(zhuǎn)錄的語言呢？

相關(guān)研發(fā)人員解釋，“我們首次將‘transformer’運用到單細胞轉(zhuǎn)錄組測序數(shù)據(jù)分析領(lǐng)域。 transformer這種架構(gòu)從發(fā)明以來一直被用在自然語言處理領(lǐng)域，用于進行諸如機器翻譯類的工作，成為比較通用的一個框架組件，但我們將它運用到了細胞注釋領(lǐng)域。”

得益于對計算機處理人類語言和單細胞信息之間的共性理解，團隊將已經(jīng)成熟的人工智能架構(gòu)進行創(chuàng)新性地“跨界”使用，大大提升了細粒度單細胞分子圖譜的構(gòu)建效率。

“跨界工具”讓新模型賦予計算機讀懂細胞活動的基礎(chǔ)，但要想讀得準、讀得透、讀得精，還需要基于大規(guī)模的語言預(yù)訓練。

論文顯示，為了解決來自不同項目、測序平臺的數(shù)據(jù)難以互通有無的難題，“scBERT” 模型在預(yù)訓練數(shù)據(jù)上沒有做任何的降維或篩選處理，最大程度上保留數(shù)據(jù)本身的特性和信息，并學習了包含不同實驗來源、批次和組織類型的單細胞數(shù)據(jù)，以保證模型理解“通用”的知識，不僅捕獲單個基因的表達信息還理解基因間的協(xié)作。

據(jù)介紹，該技術(shù)可以給生物體中每個細胞都印上專屬“身份證”，“單細胞身份證”的應(yīng)用不僅可以助力疾病致病機制分析、藥物靶點發(fā)現(xiàn)等基礎(chǔ)研究，也可以在臨床上高精度地“刻畫”腫瘤微環(huán)境，推動精準治療的進一步完善。

標簽： 自然子刊