scDeepSort
ZJUFanLab/scDeepSort加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
一个真实的场景：某医院实验室用10X Genomics平台对肿瘤组织进行了单细胞RNA测序（scRNA-seq），获得了 5,000 个细胞的基因表达矩阵。测序公司交付了原始数据，生物信息学工程师开始分析——但摆在面前的第一个问题，不是差异基因分析，不是轨迹推断，而是：这 5,000 个细胞里，有哪些是T细胞，哪些是巨噬细胞，哪些是肿瘤细胞？它们各自的比例是多少？
传统方法是查文献、手动注释——用已知的标记基因（marker genes）去对照每个细胞。比如"T细胞通常高表达CD3D、CD3E"，"巨噬细胞高表达CD68"。但当一个组织包含几十种细胞类型，且某些细胞处于过渡状态时，这种"查字典"式的方法不仅耗时耗力，而且高度依赖经验，同一张图不同人可能标出截然不同的结果。
这就是 scDeepSort 试图解决的问题。它是一个预训练的单细胞细胞类型自动注释工具，由浙江大学研究团队开发，基于**加权图神经网络（Weighted Graph Neural Network, Weighted GNN）**对细胞进行分类。在 764,741 个真实细胞、覆盖人和小鼠 88 种组织的大规模数据上预训练后，可以对新的单细胞数据进行自动细胞类型注释——无需重新训练，开箱即用。
单细胞RNA测序技术（scRNA-seq）在2010年代迅速崛起，改变了生物医学研究的格局。与传统Bulk RNA测序不同，scRNA-seq 可以解析每个细胞独立的转录组，使研究者能够发现组织中此前未知的细胞类型、揭示细胞分化轨迹、理解肿瘤微环境异质性。2019年，10X Genomics Chromium平台的普及更是让单细胞测序从"奢侈品"变成"常规武器"。
然而，技术的进步带来了新的瓶颈：数据注释的效率问题。一个典型的人类组织单细胞数据集可能包含上万个细胞、涉及数十种细胞类型。手动注释不仅耗时数天，而且结果的可重复性差——不同实验室、不同分析师可能给出不一致的结论。
学术界的应对策略分为两派：
scDeepSort 走的是第三条路——预训练深度学习模型 + 图神经网络。研究团队的思路是：既然 scRNA-seq 数据天然具有图结构（细胞之间通过基因表达相似性相连），用图神经网络来建模这种关系，再在海量标注数据上训练一个通用的细胞分类器，就能实现既准确、又可迁移的细胞类型注释。
scDeepSort 的核心创新在于将单细胞数据建模为异构图（Heterogeneous Graph）。
在 scDeepSort 中，图的节点分为两类：
边也分为三类：
这种建模方式的优势在于：传统的深度学习方法（如CNN/RNN）需要将细胞表达向量展平成一维后处理，但 GNN 可以保留细胞之间的拓扑关系，让模型学习到"哪些细胞群在图上紧密相连"这一结构信息。
scDeepSort 最重要的技术创新是可学习的边权重机制（Weighted GNN）。在消息传递（Message Passing）阶段，每条边的重要性不是固定的，而是由一个可学习参数 alpha 动态决定的：
h = edges.src['h'] * alpha[edge_type] * edge_weight
其中 alpha 是一个可学习的向量，对三种边类型（细胞→基因、基因→细胞、基因→基因）分别学习最优权重。这使得模型可以自适应地决定"我应该更信任细胞→基因的信号，还是基因→基因的共表达信号"。
从模型架构看，核心代码只有约200行Python（PyTorch + DGL），但每个组件都经过精心设计：
NodeUpdate 类：实现图卷积中的节点更新操作，使用 Xavier 初始化GNN 类：封装多层图卷积、注意力权重学习和最终分类层message_func：自定义消息函数，实现加权消息传递scDeepSort 在两个大规模数据集上预训练：
预训练完成后，对于新的单细胞数据，用户只需要：
DeepSortPredictor 加载预训练模型整个过程不需要GPU从头训练，CPU即可完成推理。
scDeepSort/
├── models/
│ └── gnn.py # 核心 GNN 模型定义
├── utils/
│ ├── preprocess.py # 数据预处理（建图、归一化）
│ └── preprocess_internal.py
├── train.py # 自定义训练脚本
├── predict.py # 推理脚本（CLI入口）
└── pre-process.R # R语言数据预处理（Seurat依赖）
| 组件 | 版本 | 作用 |
|---|---|---|
| PyTorch | 1.6.0 | 深度学习框架 |
| DGL (Deep Graph Library) | 0.4.3 | 图神经网络实现 |
| scipy | 1.3.1 | 稀疏矩阵运算 |
| pandas/numpy | - | 数据处理 |
| Seurat (R) | >3.6 | 原始数据标准化 |
原始CSV (单细胞表达矩阵)
→ pre-process.R (Seurat LogNormalize 标准化)
→ Python 预处理 (构建异构图)
→ GNN 推理 (DeepSortPredictor)
→ 细胞类型标签输出
值得注意的是，项目提供了预训练模型（从 Releases 下载），用户无需从头训练即可使用。对于需要在自己数据上微调的进阶用户，也提供了 train.py 进行自定义训练。
从代码结构来看，这是一个典型的学术原型项目，而非生产级软件：
scDeepSort 代表了单细胞生物信息学领域的一个明确趋势：从"手工查字典"向"智能预训练模型"的转变。2021年发表在Nucleic Acids Research上以来，它已被多个单细胞研究项目作为基准工具使用。
对于AI领域的研究者和开发者来说，scDeepSort 的价值在于提供了一个跨学科融合的范本：图神经网络这一深度学习技术，在生物信息学领域找到了天然的应用场景（单细胞数据的图结构天然适合GNN建模）。如果你对GNN的应用边界感兴趣，这个项目是一个很好的切入点——它展示了GNN在非自然语言、非图像领域的成功实践。
对于湿实验背景的生物学家，scDeepSort 的门槛需要客观看待：R语言的预处理流程是绕不过去的坎。建议从官方文档（https://scdeepsort.readthedocs.io）开始，按照"安装→预处理→推理"的三步流程逐步尝试。如果在R环境配置上遇到困难，可以寻求实验室的生物信息学同事帮助。
总的来说，scDeepSort 是一个有明确应用场景、核心技术扎实、但工程化程度有限的科研工具。它不是解决所有单细胞注释问题的银弹，但在处理人类和小鼠常见组织的scRNA-seq数据时，确实是一个值得纳入工具箱的选择。