《Cell》开发scSLIDE方法,让样本沿疾病轴“滑动”,揭示更多变异
华人学者一作!别再只数细胞了:《Cell》开发scSLIDE方法,让样本沿疾病轴“滑动”,二元标签漏掉的变异全露出来
纽约大学团队在Cell发表研究,开发了scSLIDE方法,通过样本级推断而非细胞聚类,揭示了复杂疾病中的连续变异,提升了研究的统计功效和可重复性。
来源:iNature 2026-11-12 10:09
该研究价值在于把“连续变异”从噪声变成了可量化的研究对象,统计功效、可解释性和跨研究可重复性都可能因此提升。
单细胞测序这几年最主流的分析套路,其实很像“先给每个人贴职业标签,再统计各组职业比例”:把细胞聚类成T细胞、单核细胞、某类亚状态,然后在每种细胞类型内部比较“病例组 vs 对照组”,做差异表达(DE)或差异丰度(DA)。这套流程好懂、好复现,但它有一个隐蔽的假设——同一组里的所有病人,都是该疾病状态的同质代表。
复杂疾病恰恰不满足这个假设。以阿尔茨海默病为例,患者之间的病理负担差异极大,从早期斑块负荷轻微到晚期广泛缠结,是一条连续轴,而不是两个离散盒子。强行二值化,DE/DA就会把组内差异“平均掉”,结果是:真正的亚群被稀释、疾病进展轨迹被压平、治疗反应预测因子被掩盖。这也解释了为什么很多AD单细胞研究用相似表型分析,可重复性却有限。

2026年11月9日,纽约大学Rahul Satija团队(Longda Jiang为第一作者)在Cell 在线发表题为Reconstructing developmental and disease progression with sample-level embeddings的研究论文,scSLIDE(single-cell sample-level inference using density estimation,基于密度估计的单细胞样本级推断)要改的正是这一步。它的思路不是“再发明一个更好的细胞聚类”,而是换分析单位:从细胞换到样本。
具体做法分两段。第一段是半监督降维:把细胞嵌到一个潜在空间里,这个空间同时要保住两件事——细胞本身的类型与状态身份(不能因为想区分病人就把T细胞和B细胞混在一起),以及由表型驱动的真实差异。第二段是密度表征:每个样本不再是一个点,而是它在这个潜在空间里的细胞状态密度分布;把分布压成紧凑的特征剖面后,样本之间就能像普通数据一样做聚类、轨迹推断和整合分析。

文章模式图(图源自Cell )
名字里的“slide”不是空间转录组的意思,而是指样本可以沿生物变异轴连续“滑动”。与Milo、scCODA这类工具相比,它们大多只解决一个具体问题——不同条件下的二元差异丰度检验;scSLIDE则是把整个样本的细胞状态分布整体总结出来,供下游自由使用。
在新冠感染、AD、斑马鱼胚胎发育三个场景里,它都捞出了细胞中心方法漏掉的样本级信号:感染程度与疾病严重度可以拆成两条可分离的轴;AD患者能被排成一条进展轨迹;斑马鱼胚胎即使在同一时间点,也存在发育进度不同的“伪阶段”。方法已实现在Seurat 6.0中,降低了使用门槛。
它的价值在于把“连续变异”从噪声变成了可量化的研究对象,统计功效、可解释性和跨研究可重复性都可能因此提升。但也要清醒:密度估计对每个样本的细胞数敏感,细胞少的样本噪声大;半监督嵌入需要先选定表型信号,选错就会把批次或技术差异当成生物轴;连续坐标最终仍要对应到临床分期才有意义。
参考消息:https://www.cell.com/cell/abstract/S0092-8674(26)01268-7
版权声明 本网站所有注明“来源:生物谷”或“来源:bioon”的文字、图片和音视频资料,版权均属于生物谷网站所有。非经授权,任何媒体、网站或个人不得转载,否则将追究法律责任。取得书面授权转载时,须注明“来源:生物谷”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
87%用户都在用生物谷APP 随时阅读、评论、分享交流 请扫描二维码下载->
来源:生物谷·资讯 · news.bioon.com