高变基因筛选的上游偏差如何影响单细胞轨迹推断与多组学预后建模

2026-09-23·碱基·生信方法

做单细胞分析的人几乎都跑过高变基因（highly variable genes, HVG）筛选。这一步被当成流程里的固定前菜，先选出方差大的那批基因，后面的降维、聚类、轨迹推断全在它基础上运行。问题在于这个步骤的底层假设是“方差大等于信息量大”，而当细胞状态的变异来自一条连续发育轨迹时，这个等号开始漏水。

标准HVG筛选对轨迹拓扑的结构性损伤

SEEK-VFI（PMID: 42508407）注意到，单细胞轨迹推断的目标是描述细胞沿发育或分化路径的有序变化，而轨迹上真正有区分力的基因不一定是全局方差排名靠前的那些。标准方法挑出的高方差基因里混进了大量与轨迹方向无关的“噪声高方差”基因，它们变化剧烈，但变化方向对不上轨迹结构。用这批混杂基因做轨迹重建，拓扑结构会跑偏，伪时序分析和可视化跟着一起偏（PMID: 42508407）。

SEEK-VFI的Eigenscore策略

这篇文章提出一套集成主题模型（ensemble topic modeling）机器学习算法，用特征值得分（Eigenscore）对基因打分，不需要预先指定聚类数，专门识别“轨迹感知”的特征基因。论文说它在与现有方法的比较中表现更好，能挑出改善轨迹拓扑重建、提升可视化质量、增强下游轨迹分析的关键基因（PMID: 42508407）。摘要里没给出量化比较数字，“表现更好”要进原文看具体数据集和评估指标，才能判断好多少、在哪类数据上好。这个方法的实际应用价值，目前只能停在“方向是对的”这一步。

WGCNA-LASSO宫颈癌预后模型里的上游依赖

“上游选基因的方式决定下游能看见什么”不只是单细胞分析的专属麻烦。

宫颈癌多组学研究（PMID: 42767096）走的是 WGCNA 找共表达模块、单因素 Cox 初筛、再用 LASSO 压缩到最终基因集的路径，最后留下 ITM2A 和 TCL1A 两个基因构建风险模型。多重过滤的设计逻辑是减少假阳性，比直接拿全组差异基因建模严谨一些。论文报告高风险组呈现出不同的免疫通路激活模式、免疫细胞浸润减少、药物敏感性改变；两个基因都与肥大细胞分化有关；在放疗耐受表型里二者表达量下调。敲低 ITM2A 或 TCL1A 后，照射后的集落形成能力显著高于对照，提示这两个基因有放射增敏作用（PMID: 42767096）。临床验证用了免疫组化，还专门建立了放疗耐受细胞系，功能实验做到了这类研究里相对扎实的程度。

但 LASSO 筛出的基因组合是统计最优解，不是生物学上唯一的解释。换一批训练数据，留下来的可能就不是这两个基因。这项研究的结论可信度，从根本上依赖特征工程那几步的合理性，这是多组学预后建模共有的弱点，不是这篇文章特有的问题。

草地贪夜蛾单库RNA-seq的可信边界

草地贪夜蛾（Spodoptera frugiperda）研究（PMID: 42767978）把这个问题暴露得更直接。研究检测了氯虫苯甲酰胺（chlorantraniliprole）、苏云金杆菌（Bacillus thuringiensis, Bt）及两者顺序施用对三龄幼虫的转录组影响，氯虫苯甲酰胺的 LC50 是 18.63 ppm，Bt 的 LC50 是 1.30 mL/L（PMID: 42767978）。6 个两两对照里一共鉴定到约 7500 个处理相关差异表达基因，其中对照组与顺序施药组的比较含 1985 个基因，1037 个上调、948 个下调（PMID: 42767978）。

每个处理组只有一个 RNA-seq 文库，没有生物学重复。

论文作者在方法里明确写明，这批转录组数据属于探索性和假设生成性证据，不是统计意义上经过重复验证的差异表达结果（PMID: 42767978）。没有生物学重复，就无法估算样本间的生物学变异，差异显著性无从建立。7500 这个数字不能按常规差异表达研究的逻辑读。那些 CYP6 家族基因、谷胱甘肽 S-转移酶（glutathione S-transferases, GSTs）和 ABC 转运体转录量的变化，作为候选靶点提出来做后续验证是合理用法；顺序施药协同破坏解毒通路，目前只是一个待检验的假说。

作者主动划出这条边界，是这篇文章最诚实的地方。

三篇文章并排看，SEEK-VFI 要解决的是“你以为在挑信号基因，其实混入了大量噪声”；宫颈癌那篇用多步过滤把风险转移到流水线设计本身，结论能走多远取决于那条流水线是否合理；草地贪夜蛾那篇把技术前提直接写进方法，让读者自己判断可信边界在哪。上游特征选择不是中性的预处理步骤，它决定了结论能走多远。

单细胞分析轨迹推断多组学建模差异表达基因转录组可靠性