《自然—方法》：袁瀚等开发基于DNA序列的卷积神经网络单细胞ATAC-seq分析模型

北京时间2022年8月8日晚23时，美国生物科技公司Calico Life Sciences研究员袁瀚与David Kelley在Nature Methods上发表了题为”scBasset: sequence-based modeling of single-cell ATAC-seq using convolutional neural networks”的研究成果。

该论文介绍了一种新的基于深度卷积神经网络的对单细胞ATAC进行建模的方法——scBasset。scBasset在多个下游任务中展现了最先进的性能，包括细胞聚类，去噪，消除批次效应以及转录因子活动预测。

袁瀚为论文第一作者及通讯作者，David Kelley为论文通讯作者。

Single cell ATAC-seq（scATAC）可以在单细胞水平上揭示表观基因组景观【1】。这项技术已经成功的被应用于获得细胞类型，揭示细胞异质性的调控机制，绘制与疾病相关的调控元件，以及重建分化轨迹【2–4】。然而由于数据高纬性和稀疏性的特点，scATAC的分析依然面临着大量挑战。已有的scATAC分析方法大致可以分为两种：利用DNA序列的模型，和不依赖DNA序列的模型。不依赖DNA序列的模型（例如PCA, VAE）利用peak-by-cell matrix中具有生物学意义的协方差来对细胞进行有效的表示（embedding）。这些方法依赖于额外的工具才能建立染色质开放区域（chromatin accessibility）与转录因子（transcription factors，TFs）之间的联系。另一方面，利用DNA序列的scATAC分析方法（例如chromVAR, BROCKMAN）虽然具有更好的可解释性，但由于模型相对简单，在学习细胞表示及可视化时表现较差【5】。

在这项最新研究中，袁瀚等提出scBasset ，一个基于DNA序列的深度卷积神经网络（CNN），来对scATAC数据进行建模。在bulk数据中，CNN 已经展示了预测表观遗传图谱的最先进性能，并已成功用于遗传变异效应预测和转录因子语法推断【6–9】。这类CNN模型一般用DNA序列作为输入，通过一系列的卷积层（convolutional layer）以及全连接层（dense layer）预测输入序列在不同细胞类型中的可及性（accessibility）。研究人员将模型视为一个特征学习（representation learning）机器。scBasset模型通过一系列的卷基层学习到了一个低维的sequence embedding。模型的最后一层是一个将这个embedding用于预测每个单细胞可及性的线性变换。这个线性变换矩阵包含着每个细胞的向量表示（图1）。我们可以把向量的每个潜在特征（latent feature）理解为代表着基于DNA序列的调控因素，例如转录因子结合点位或核苷酸组成。而线性变换的权重决定了每个细胞在多大程度上依赖于这些因素。研究人员将这些单细胞向量作为细胞表示，用于下游任务，例如可视化和聚类。scBasset在多个下游任务中展现了最先进的性能，包括细胞聚类，去噪，消除批次效应（batch effect）以及转录因子活动预测。

scBasset可以学习细胞表示。研究人员将scBasset最后一层的线性变换矩阵作为单细胞的低维表示。在三个不同的数据集上（Buenrostro2018，10x multiome PBMC，10x multiome mouse brain），研究人员展示了基于scBasset的细胞表示相比于其他方法展现出了更优秀的聚类性能（图2）。

scBasset可以用于消除数据集中的批次效应。为了应对数据中的批次效应（batch effect），研究人员对模型框架进行了微调。具体来说，研究人员在卷积层之后增加了第二个全连接层，用以预测批次效应对可及性的贡献。在新的模型（scBasset-BC）中，与批次效应相关的可及性信息会被新的全联接层学习，而原有的全连接层仅会学习到有生物学意义的信息。研究人员在两个不同的数据集上比较了scBasset-BC与其他方法对于批次效应的消除效果，看到scBasset-BC可以在批次混合以及保留细胞的特异性之间获得最好的平衡（图3）。

scBasset可以在单细胞、单点位分辨率下预测转录因子活动。转录因子活动是染色质可及性的主要驱动力，而转录因子和DNA的结合具有序列特异性。因为scBasset可以从DNA序列预测染色质可及性，研究人员认为scBasset模型学习到了转录因子的序列特异性，从而可用以预测单细胞中转录因子的活动。为了预测单细胞中的转录因子活动，研究人员可以将一对DNA序列输入经过训练的 scBasset 模型。其中一段是合成的随机序列，另一段把第一段序列的中间部分换成了TF motif。比较scBasset对两段序列在每个细胞当中预测的可及性的差值，研究人员可以估计对应的转录因子在每个细胞当中的活动。分析显示，相比于chromVAR，scBasset可以更好的预测转录因子活动。另外利用in silico saturation mutagenesis（ISM）的方法，研究人员甚至可以预测每一个核苷酸在每个细胞中对可及性的影响，并将他们与转录因子活动对应（图4）。

scBasset已经在github上开源共享（https://github.com/calico/scBasset），欢迎使用。

相关论文信息：

https://doi.org/10.1038/s41592-022-01562-8

转自：“小柯生命”微信公众号

如有侵权，请联系本站删除！