60.scBasset：原图、模型逻辑与研究范式
60.scBasset：原图、模型逻辑与研究范式
Perry论文题名： scBasset: sequence-based modeling of single-cell ATAC-seq using convolutional neural networks
期刊与年份： Nature Methods，2022。论文原文。
范围为正文全部编号主图及其子图，包含流程示意图。Extended Data 和 Supplementary Figures 不在本次范围。页码指阅读时所用 PDF 的文件页码。
研究问题： 从峰下 DNA 序列学习的单细胞 ATAC 模型，能否改进细胞表示、批次校正、去噪及 TF 活性解释？
难点与构思：把序列信息带进细胞表示
scATAC的峰很多，每个细胞的读段却少，普通矩阵方法主要利用峰共变，motif方法则用较粗的已知规则。scBasset尝试同时获得表达能力与机制接口。我的推测是，它的构思来自多任务序列网络的一次角色转换：把每个单细胞当成一个预测任务，最后一层为了重建该细胞开放模式而学到的参数，就成为细胞表示。峰的序列信息不再只是聚类后的注释，而是参与建模。
这一接口的收益来自参数共享：同一段序列在许多细胞中测到的开放模式共同约束编码器，稀疏单细胞不必独立学一套复杂规则。但共享也可能优先拟合数量多的细胞，稀有状态的特征容易被压缩。因此要分别报告细胞类型、深度及供者的性能，而不只用全体平均值证明稀有疾病状态也得到恢复。
另一点是开放矩阵的零不能简单等同于真正关闭。低深度细胞常因未采到读段产生假阴性，模型预测概率同时反映真实状态和测量过程。截距吸收深度有帮助，却不能完全校正所有质量差异；TE区域的比对偏差也可能呈现家族特异模式。研究TE时应检查多重比对、峰构建及不同深度下结论是否稳定，避免把技术缺失转换成疾病模块。外部验证最好来自独立供者或不同测量，而不是只在同一个矩阵中再次聚类。
输入、目标与架构为何合适
输入是每个峰中心1344 bp DNA及实际峰×细胞二值开放矩阵。八个卷积块把序列压缩到32维瓶颈，最终线性层为每个细胞输出开放概率，以二元交叉熵训练。序列共享编码器利用多个细胞的测量学习模式，细胞权重表达这些模式对其开放性的相对贡献，截距吸收部分测序深度信息。
这里不需要诊断或细胞类型标签来学习嵌入，属于利用观测开放矩阵的表征学习；序列到开放预测又有明确实验目标。不能简单说它完全没有标签，也不能把末层权重视为每个TF真实活性。32维是压缩表示，多个调控因素可能混合，机制解释要通过后续motif查询和外部验证。
已有peak注释表不够训练这个模型。至少需要每个细胞的实际开放矩阵、峰坐标与匹配参考基因组，只有峰属于TE还是基因附近的信息不能恢复细胞异质性。模型的每个细胞是训练输出，留出峰验证不等于零样本新供者、新细胞泛化。应用于AD资料时，需要额外定义怎样拟合新细胞和怎样做供者外验证，不能直接复用本图的序列留出宣称患者泛化。
表征、去噪与解释的证据链
论文先确认留出峰预测，再检验细胞结构，与同一细胞的RNA邻居比较，接着平衡批次混合和类型保留，最后验证去噪及TF活动。multiome的两种真实测量提供额外参照，而不是把TE家族汇总当成一个新的独立模态。RNA本身也有噪声，邻居一致性是支持证据，不是ATAC状态的唯一真值。
TF活动通过在打乱二核苷酸背景中插入motif，比较预测开放变化得到，模型因此可以回答同一模式在不同细胞背景的响应。这个活动是motif响应代理，未直接测量蛋白量、磷酸化或结合占据。与TF RNA相关及CRISPRi区分结果形成更具体的验证，仍需保留同家族TF共享motif的识别限制。
Figure 1｜架构和学习到的细胞表示
原图来源：所用 PDF 文件第 2 页，Figure 1。点击图片可查看原图。
a解释为何最后一层的细胞权重可作为嵌入，b分别按细胞和峰评价留出峰，c与已知造血谱系对应。两个AUROC方向不同：一个问每个细胞哪些峰开放，另一个问某个峰在哪些细胞开放，后者更接近特异性。c的分化顺序来自原研究知识，不是模型单靠t-SNE推导出真实时间；漂亮分群需由b的测量关系及后面的外部参照共同支持。
| 子图 | 讲解 |
|---|---|
| a | 1,344 bp 峰中心序列输入 CNN，预测每个单细胞的开放性；末层每个细胞的权重成为其嵌入表示。 |
| b | 留出峰的 AUROC 分别按细胞和峰评价，确认模型学习到可泛化的序列–开放性关系。 |
| c | 末层细胞嵌入的 t-SNE 与造血分化谱系对照，同类细胞聚集，说明参数可作为状态表示。 |
Figure 2｜细胞表示的多数据集评价
原图来源：所用 PDF 文件第 3 页，Figure 2。点击图片可查看原图。
a、b使用流式分选标签作表征评价，并用邻居同标签比例减少聚类参数依赖；c–f在PBMC及鼠脑multiome用RNA聚类和独立RNA邻居结构比较。不是把RNA标签用于训练scATAC模型，所以它们提供不同测量的验证。RNA与ATAC本来关注不同分子层次，完全一致也非必然最优；这里证明的是在所用资料中，序列表征更好保留了与RNA共享的状态结构，不是所有ATAC特异变化都应被抹平。
| 子图 | 讲解 |
|---|---|
| a | Buenrostro2018 的聚类一致性、ASW 等比较，scBasset 更好地保留细胞类型。 |
| b | 同数据的邻居同标签比例，避免只依赖特定聚类参数，scBasset 在多个邻域大小下较优。 |
| c | multiome PBMC 的聚类指标，使用配对 RNA 结构作参考，验证另一人类数据。 |
| d | PBMC ATAC 邻居与独立 RNA 邻居的重合比例，更高表示两种测量的状态结构一致。 |
| e | multiome 小鼠脑的聚类比较，检验跨组织/物种表示。 |
| f | 小鼠脑 RNA/ATAC 邻居重合，scBasset 再次较高，提供与聚类互补的验证。 |
Figure 3｜批次校正的平衡
原图来源：所用 PDF 文件第 4 页，Figure 3。点击图片可查看原图。
a–c展示加入批次专属输出路径后的变化，d、e同时比较kBET混合与类别保持。独立批次路径希望让细胞参数少承担技术差异，但正则越强可能越丢失真实生物差异。平衡PBMC和不平衡造血设计的结果不同，说明一个批次混合参数不能跨资料照抄。AD与对照若分别来自不同批次，混合优化可能消除病理，必须用合理采样及供者外证据检验，而非只追求UMAP颜色均匀。
| 子图 | 讲解 |
|---|---|
| a | 混合两种 10x 化学平台的 PBMC，原模型按批次分开，scBasset-BC 后批次更混合。 |
| b | 造血数据未校正的细胞类型/批次图，同一 HSC 等类型因批次被分成多个群。 |
| c | 校正后的对应图，批次合并且细胞结构保留。 |
| d | 化学批次平衡数据中 kBET 与 label score 对照，Harmony 与 scBasset-BC 均较好，说明需兼顾混合和类型保持。 |
| e | 不平衡造血数据的同类比较，scBasset-BC 更好平衡两目标，而过度混合会抹去生物差异。 |
Figure 4｜去噪和跨模态整合
原图来源：所用 PDF 文件第 5 页，Figure 4。点击图片可查看原图。
a从稀疏矩阵中恢复类别模式，b与配对RNA比较，c在表征及每细胞、每基因相关中显示方法权衡，d、e测试跨模态嵌入是否更接近。去噪不是发现新的实测读段，而是模型对潜在开放性的估计；因此不能把填补数值当作增加了样本量。与RNA更一致支持共享生物结构恢复，但也可能弱化独有ATAC信息，图c保留不同指标没有统一赢家的事实，比只报告一个最佳分数更可信。
| 子图 | 讲解 |
|---|---|
| a | 原始稀疏峰×细胞矩阵与去噪后对照，去噪显现细胞类型相关开放模式，减少深度主导的结构。 |
| b | 每细胞基因开放性与 RNA 表达相关的前后对照，去噪提高一致性，低测序深度细胞改善较多。 |
| c | 去噪方法的细胞结构和 RNA/ATAC 相关比较；scBasset 在结构上较优，但每细胞/每基因相关存在权衡，没有所有指标的统一赢家。 |
| d | RNA 与原始/去噪 ATAC 的联合 UMAP，去噪后相同状态的两模态更靠近。 |
| e | 同一细胞 RNA–ATAC 嵌入距离的定量比较，scBasset 与 MAGIC 较好，支持联合分析的实际改善。 |
Figure 5｜单细胞及单碱基 TF 活性
原图来源：所用 PDF 文件第 7 页，Figure 5。点击图片可查看原图。
a–c将motif响应与TF表达及细胞背景比较，d用GATA1、GATA2的CRISPRi资料检查干预后的可区分性。GATA1较好而GATA2仍困难，说明该接口有实证价值但未解决所有TF。e–g在β-globin增强子做单碱基虚拟突变，并沿已知红系谱系比较GATA1和KLF1敏感性；这是特定序列与状态的相互作用，不应称为模型直接证明整个分化因果。预测活动与表达方向不同还可能来自抑制作用或共享模式，需结合额外证据。
| 子图 | 讲解 |
|---|---|
| a | PBMC 细胞类型 UMAP，给后续 TF 解释提供位置参考。 |
| b | 203 个差异表达 TF 的活性–表达相关对照，scBasset 总体比 chromVAR 更一致；抑制因子可表现负相关。 |
| c | 关键调控因子的表达、scBasset 活性、chromVAR 活性并列，显示 PAX5、TCF7、RUNX3、CEBPB 的细胞特异性；RXRA 的两方法方向不同。 |
| d | 用 GATA1/GATA2 CRISPRi 数据比较 PR，scBasset 更好识别 GATA1 扰动，而两法对 GATA2 都较困难，提供干预验证与边界。 |
| e | 造血谱系图说明 HSC→MPP→CMP→MEP 的比较顺序。 |
| f | β-globin 增强子的饱和突变 ISM 分数，GATA1/KLF1 位点在红系方向的细胞中更影响开放性。 |
| g | 每细胞基序–ISM 分数分布沿谱系升高，尤其 MEP 的 KLF1 增强，说明模型可在特定增强子上解释细胞状态依赖的 TF 作用。 |
依据：对应主图、完整图注及正文 Results；实验结果只按本文给出的对象和条件解释。
我的理解与AD可迁移设计
这篇与目前ATAC-AD条件最接近，但起点应是找到可用细胞矩阵而非只整理峰注释。可以先在一个脑区、一个细胞类型和多个供者中比较LSI、topic、PeakVI与序列模型，再检验TE重叠峰是否贡献可复现的病理模块。训练不用AD标签，病理与供者用于事后验证；选出某个模块后还需和同长度、GC、覆盖度、可比对性的非TE峰对照。
16GB显存下可以从小细胞子集与少量峰起步，控制输出规模和序列批量，不能按百万细胞的口号直接许诺本机训练。更有意义的创新是明确TE信息是否带来超越共变模型的解释或迁移收益，并用独立multiome、TF响应及遗传证据检查。若序列模型没有改善，也应保留非深度topic路线。任何病理梯度都先称状态关联，只有纵向证据才能进一步讨论进展；该论文的造血图不授予AD伪时间疾病时间的含义。
