# 细胞类型去卷积

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。

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。

作者提出DECIPHER，一个端到端的表征学习框架，通过分别学习用于解卷积的域恒定表征Zc和建模域相关变异的域特异表征Zs，并结合可微非负最小二乘优化从Zc估计细胞类型比例，在模拟数据、实验生成的bulk-细胞混合样本、真实世界数据集和多种分子模态上表现出稳健且有竞争力的解卷积性能，且学到的Zc还支持跨独立队列的时序年龄预测和肺腺癌的预后分层。

作者提出DECIPHER，一个端到端的表征学习框架，通过分别学习用于解卷积的域恒定表征Zc和建模域相关变异的域特异表征Zs，并结合可微非负最小二乘优化从Zc估计细胞类型比例，在模拟数据、实验生成的bulk-细胞混合样本、真实世界数据集和多种分子模态上表现出稳健且有竞争力的解卷积性能，且学到的Zc还支持跨独立队列的时序年龄预测和肺腺癌的预后分层。