MACA: 一款自动注释细胞类型的工具

前言

题目：MACA: Marker-based automatic cell-type annotation for single cell expression data 日期：2021-11 期刊：biorxiv预印本 链接：https://www.biorxiv.org/content/10.1101/2021.10.25.465734v2 GitHub：https://github.com/ImXman/MACA

设计的初衷

目前细胞类型鉴定工具中，Support Vector Machine(SVM) 的准确性超过大多数监督注释方法

“Support Vector Machine” (SVM) is a supervised machine learning algorithm that can be used for both classification or regression challenges. However, it is mostly used in classification problems.

但是，由于监督注释方法在大多数单细胞数据中缺乏真实参照，所以易用性没有非监督方法好，这也是目前非监督方法占主流的原因之一。既然使用非监督方法，那么就需要人工介入，调整分群的分辨率，以及提供marker基因，这样带来的问题就是挑选marker基因耗费时间，并且重复性差（因为每个人选择的marker基因也不同）。

基于第一个问题（挑选marker基因耗费时间），有人做了数据库，专门收录这些基因，比如PanglaoDB, CellMarker涵盖了人和小鼠多种细胞类型的marker 基因；另外NeuroExpresso是大脑组织的marker基因数据库。

这个工具MACA，全称是marker-based automatic cell-type annotation，旨在解决细胞注释的速度和准确性

设计的结构

整个设计逻辑还是很容易理解的：先判断单个细胞属于什么类型，然后聚类再判断一次属于什么类型

读入数据：single cell或者single nuclei RNA-Seq的表达矩阵

对每个细胞计算2个label：

• 首先，结合marker数据库，使用raw count表达矩阵，计算每个细胞的cell-type score =》 将 gene expression matrix转换成cell-type score matrix
• 然后，对每个细胞分配细胞类型：将score最大的细胞类型对应到这个细胞 =》 Label 1 产生
• 同时，利用cell-type score matrix + Louvain community detection algorithm，将细胞聚类 =》 Label 2 产生（也就是某群细胞属于什么类型）

因为一开始不知道具体有几种细胞类型，这里MACA默认将分辨率调大，避免很多同源的细胞被拆分成很多小的cluster

之后就是通过一系列统计知识，将Label1 和Label2利用起来：MACA records significant or at least the top-3 celltypes for each cell in cluster based on cell-type scores

意思就是挑出个人很能打，并且整体也很符合要求的那组

实际测试

使用的方法、数据

• investigated 4 scoring methods that have been proposed to transform gene expression matrix to cell-type score matrix
• 2 public marker databases
• 6 single cell studies comprised of 3000 to 20000 cells
• 使用Adjusted Rand Index (ARI) and Normalized Mutual Information (NMI)进行评测

ARI & NMI are measuring similarity or agreement between our annotations and authors’ annotations

评测打分工具

发现全部6个数据集中 annotations using PlinerScore with markers in PanglaoDB have the largest agreement。于是采用PlinerScore作为打分方法

接下来和自动细胞注释工具比较

利用PanglaoDB的marker，和CellAssign, SCINA, Cell-ID, and scCATCH比较

发现速度差异：

• MACA can finish annotation within 1 minute (cells around 3,000) and less than 2 minutes for a relatively large dataset (cells up to 20,000 cells)
• scCATCH and Cell-ID took longer than MACA
• SCINA took around 20-minute for a large dataset
• CellAssign took the longest time with > 20,000 cells due to lack of memory

发现注释结果差异：

• MACA labels cells had a higher consensus than CellAssign, SCINA, Cell-ID, and scCATCH
• 和作者的结果相似：MACA and scCATCH identify similar numbers of cell-types to author’s annotations