作者：童蒙
编辑：amethyst
引言
随着技术的进步，测序成本的降低，单细胞转录组的数据呈指数级的爆发。许多组织都发布了关于详细的单细胞图谱计划，例如小鼠单细胞开源数据库Tabula Muris，小鼠器官发生细胞图谱MOCA，人类细胞图谱HCA等。
之前注释和分类方法大多是根据机器学习的非监督聚类的方法，例如随机森林（RF)或者支持向量机（SVM），这些工具耗时长，计算资源消耗大。
因此，使用已有标注的数据，利用监督学习的方法，可以很快速的实现对细胞进行聚类和注释。
下面跟着小编来看看scibet这个工具的一些算法。
算法介绍
机器学习基本步骤
首先，我们来回忆一下，机器学习的基本的步骤
- 搜集数据
- 特征工程
- 选择模型
- 训练模型
- 评估模型
- 参数微调
- 预测
下面，我们看看这篇文章在这几步的大概原理和方法吧。
搜集数据
所有数据的来源都是来自于文献。具体的列表大家可以去看看文章。
特征筛选
数据转换
- 对于普通单细胞数据，将read count转换成TPM，并进行log（TPM+1）的转换
- 对于10x UMI的数据，使用seurat v3的方法进行预处理数据，将UMI标准化到10000，然后进行log(TPM+1)的处理。
特征（基因）选择
借鉴信息熵的原理来对基因进行选择，示意图如下，各类中基因表达量均值差别越大，对分类的贡献越大：
公式如下：
-
首先计算每个类别的信息熵
其中Xij是对于第j类中第i个基因的表达量的均值，hi是一个特定的常量；
计算背景的信息熵
- 背景的信息熵是把所有类别合并到一起的均值
- 计算差值，即每个基因的是否有效性的度量值
- 最后，选择前500个，作为特征进行聚类和注释
选择模型
使用多项式分布的模型来进行训练
训练模型
使用train_test_split对数据进行分割，training：test = 7:3，并且重复50次；
使用后验概率来计算一个新的细胞属于某一类的概率，使用KL距离来衡量新细胞同参考数据库中细胞类型概率分布的距离，并分配一个最近的分类。
评估模型
使用以下几个指标来评估：
- accuracy score：sklearn.metrics.accuracy_score
- balanced accuracy_score : metrics. balanced_accuracy_score
结果
使用Seurat和scmap作为对照，来比较软件的差异。
准确度的比较
- 基因数对分类的影响，在使用不同的基因数目的i情况下，三个软件的准确度的结果，可以看出E-test的结果是很好的。
- 三个软件在准确度上比较，可以看出scibet还是比较准的。
速度的比较
E-test基本是一个线性的算法，所以随着细胞的增加，时间并没有显著增加。
使用E-test挑选特征基因在分类中的表现
如下图，挑选出来的基因的代表性还是很不错。
结语
整个文章测评很全面，算法也比较好，小编着重理解了算法方面，并没有对全文进行详细的翻译，大家如果有兴趣可以去阅读原文。
由于小编的能力有限，有些地方可能也不是理解很透彻，有错误的地方，请大家可以给我们留言，我们会进行修改。
参考文献
Li C, Liu B, Kang B, Liu Z, Liu Y, Chen C, Ren X, Zhang Z. SciBet as a portable and fast single cell type identifier. Nat Commun. 2020 Apr 14;11(1):1818. doi: 10.1038/s41467-020-15523-2. PMID: 32286268; PMCID: PMC7156687.
