肿瘤内部不同恶性细胞状态共存，单细胞测序能分辨但成本高、难以上规模，而批量RNA测序便宜却需要把混合信号拆开。CDState用带比例归一约束和余弦相似度惩罚的非负矩阵分解，在不需要参考数据的情况下从批量RNA中推断恶性细胞状态；在五种癌症的模拟批量数据上，它估计状态表达和比例的总体表现优于现有无监督方法。把它用于TCGA的33种癌症、9,669个样本，得到193个恶性细胞状态，其中上皮–间质转化、MYC靶基因和氧化磷酸化是最常见的反复出现的程序。
批量RNA测序的肿瘤样本现在可以被拆成多个恶性细胞状态，而不只是给出一个笼统的恶性成分。 此前的无监督拆分方法主要分辨宽泛的细胞类型，通常只输出一个恶性成分，无法刻画恶性区室内部的转录异质性。 在胶质母细胞瘤、乳腺癌、卵巢癌、肺腺癌和鳞状细胞癌五种癌症的模拟批量数据上，CDState在比例和表达谱的总体评分上排名第一，总分为3.56，与真实比例的相关系数为0.54，与真实表达谱的相关系数为0.63。
拆分过程不需要预先准备参考数据，也不需要指定标记基因。 依赖参考的监督方法要求参考数据中存在对应的恶性状态，而许多癌种缺少这样的参考。 在四种模拟混合样本上，CDState与使用匹配单细胞参考的监督方法InstaPrism相比，在四个混合样本中的三个上比例误差更低，在两个上相关性更高。
方法的核心是在非负矩阵分解上加入两个约束，并用类似退火的策略分两步优化。 经典非负矩阵分解不约束各成分权重的大小，成分之间也可能高度相似，难以直接解释为细胞比例。 对每个样本的成分比例施加和为一的约束，使样本落在以纯源为顶点的单纯形内；再加入源向量两两余弦相似度的惩罚项，促使转录上相近的状态分开，并用输入肿瘤纯度监控优化过程，在纯度误差开始上升时回退惩罚权重。
把方法用于TCGA的33种癌症、9,669个样本，得到193个恶性细胞状态，并把这些状态的比例与生存、治疗反应和基因变异联系起来。 此前的批量图谱分析没有系统刻画恶性区室内部的状态构成。 在33个数据集中有27个的恶性成分与肿瘤纯度的相关性达到较高水平；在17种癌症中至少有一个状态与更差预后显著相关，共22个状态，在10种癌症中至少有一个状态与更好生存相关，共14个状态。
该方法面向已有批量RNA测序和肿瘤纯度估计的肿瘤队列，输出的是跨样本共享的恶性细胞状态及其比例，而不是单个细胞的分辨率。在胶质母细胞瘤模拟数据中，转录上高度共线的状态会合并为同一来源，例如OPC样、NPC样2和增殖细胞合并，MES样2与AC样合并。对TCGA的分析覆盖33种癌症、9,669个样本，识别出193个恶性细胞状态。
方法依赖输入的肿瘤纯度估计，输出会随纯度可靠性变化；在TCGA分析中使用的ABSOLUTE纯度来自与RNA测序不同的组织等分，可能带来组织构成差异。成分数k的选择以推断恶性比例与输入纯度的相关性最大化为准，这优先保证恶性与非恶性区室的分离，但不保证细分所有微环境细胞类型。在真实状态数未知时，部分真实状态未能拆分为独立来源。识别出的候选遗传驱动因素主要来自相关性分析，作者指出需要实验验证；治疗反应关联来自有限数据集，作者指出需要在更大独立队列中进一步研究。在肾透明细胞癌的CheckMate 009数据中，异质性指数与免疫治疗获益呈趋势但未达统计显著。
