在国家重点研发计划、广东省科技计划等项目资助下，中国科学院广州生物医药与健康研究院（以下简称广州健康院）细胞数字孪生研究组开发了一款名为scMarkerGene的可解释人工智能（AI）模型，用于精准鉴定细胞谱系特征基因。近日，相关成果发表于《生物信息学简报》（Briefings in Bioinformatics）。

scMarkerGene工作流程。研究团队供图

在单细胞转录组学分析中，精准识别细胞类型是基础，而发现细胞类型特异性标记基因则是这一过程的核心。传统方法多依赖统计阈值或聚类启发式策略，易受数据噪声、注释偏差及基因高表达但非特异性等问题的干扰。

针对上述挑战，研究团队提出了scMarkerGene模型。该模型基于可解释神经网络框架，通过构建“贡献分数矩阵”，将每个基因对细胞类型判别的影响量化为可解释的贡献值，并结合集成学习与特异性过滤策略，实现了对不同物种、不同测序技术、不同细胞群体规模及高稀疏性数据的稳健标记基因识别。

研究团队系统评估了scMarkerGene在10个公开的单细胞RNA测序数据集上的表现，涵盖拟南芥、果蝇、小鼠、人类等多个物种及多种测序平台。结果表明，该模型在多个评估指标上均优于scanpy、scMAGs、SMaSH、scVI等现有方法。在模拟数据实验中，scMarkerGene能高特异性识别标记基因，并有效滤除非特异性基因。即使引入不同比例的随机丢失噪声，该模型仍保持高鲁棒性。在骨类器官数据集中，scMarkerGene在粗粒度与细粒度细胞类型上均能稳定识别高特异性标记基因，尤其在不足100个细胞的小群体中仍保持最优表现，展现出对罕见细胞群体的强大适应性。

此外，在空间转录组与拟时间序列分析中，scMarkerGene识别出的标记基因在10X Visium小鼠脑组织及人黑色素瘤数据中均展现出清晰的空间定位特征；在BEELINE基准数据中，其在不同离散时间状态下预测的标记基因也均取得最优表现。

论文通讯作者、广州健康院研究员赵永兵指出，scMarkerGene以判别函数为核心、以贡献分数为统一度量，区别于传统方法依赖表达均值差异检验的方式，推动标记基因筛选从“统计描述”走向“机制解析”，为从复杂单细胞数据中解析细胞身份提供了可靠方法。

相关论文信息：https://doi.org/10.1093/bib/bbag223