Overview
WeChat科普推文 第18期 · 2026-05-23
话题: 可解释性、注意力机制、生物学验证
---|--------|---------------------|------------------------|
| 基因表征 | 蛋白质语言模型嵌入 | BLASTP 序列相似性 | 仅视为表达矩阵的列 |
| 跨物种对齐单位 | 宏基因（功能模块） | 一对一序列同源 | 仅限一对一正同源基因 |
| 远程同源捕获 | ✅ 强 | ❌ 弱 | ❌ 不支持 |
| 跨远缘物种整合 | ✅ 蛙-斑马鱼 | ⚠️ 勉强 | ❌ 失败 |
| 多物种差异表达 | ✅ 宏基因级别 | ❌ 仅限同源基因 | ❌ 不支持 |
| 蛋白质嵌入复用 | ✅ 任意蛋白语言模型 | ❌ | ❌ |
📊 关键实验结果
跨物种标签迁移：85.8% 准确率，119% 的性能碾压
SATURN 最硬核的 benchmark 来自青蛙和斑马鱼胚胎发育数据集的跨物种标签迁移任务。实验设计很直接：先用 SATURN 把两个物种的细胞整合到同一个嵌入空间，然后在斑马鱼细胞上训练一个逻辑回归分类器，去预测青蛙细胞的细胞类型——注意，斑马鱼和青蛙的上一次共同祖先生活在约 4 亿年前，这是真正意义上的远缘物种。
SATURN 达到了 85.8% 的 median accuracy（理论最大值为 93%，因为部分蛙特有细胞类型无论如何无法被斑马鱼分类器预测到）。相比之下，此前表现最好的 SAMap 仅有 39.2%——SATURN 提升了 119%。而 Harmony、scVI、Scanorama 等传统方法在这个任务上基本是随机的水平：它们在使用一对一正同源基因作为输入的情况下，完全无法整合这两个远缘物种。
转到从蛙到斑马鱼的标签迁移方向，SATURN 同样大幅领先。并且这一优势在 F1-score、precision、recall 以及多种批次整合评估指标下一贯成立。
宏基因差异表达：发现传统方法"看不见"的基因模块
这是 SATURN 最具独创性的功能。传统跨物种分析中，差异表达只能在两个物种共有的一对一同源基因上进行——大量只在单个物种中存在的基因被直接丢弃。SATURN 通过在宏基因层面做差异表达，彻底绕开了这个限制。
在蛙和斑马鱼的离子细胞（ionocyte）分析中，SATURN 识别出的 top 5 差异宏基因全部对应于已知的离子细胞功能。其中最惊艳的发现是 Cldn 宏基因（包含多种 claudin 蛋白）。这些 claudin 基因在硬骨鱼类的鳃离子细胞中是明确的标记物——但它们不在蛙和斑马鱼的一对一同源基因集合里。换句话说，如果你用传统方法做差异表达，你永远不会知道 claudin 在离子细胞中高表达。但 SATURN 通过蛋白质嵌入发现了它们的功能相似性，自动把它们归入同一个宏基因，并在差异表达中准确标出。
SATURN 还能揭示同一细胞类型在不同物种间的分子差异。在比较蛙和斑马鱼的离子细胞时，35% 的宏基因仅由单一物种的基因贡献——这提供了丰富的跨物种功能分化线索。
哺乳动物细胞图谱：整合 335,000 个细胞，顺便纠错
SATURN 将人类（Tabula Sapiens）、鼠狐猴（Tabula Microcebus）和小鼠（Tabula Muris）三个物种的细胞图谱数据整合为一个哺乳动物细胞图谱，覆盖九种共同组织共 335,000 个细胞。在这个多物种空间中，T 细胞、B 细胞、肌肉细胞等保守类型实现了干净的对齐，而物种特有的细胞类型（如人类脾脏中的红细胞）则自然地形成单独聚类。
更令人印象深刻的是 SATURN 的纠错能力。在肌肉组织中，有一小簇标注为"小鼠巨噬细胞"的细胞在 SATURN 空间中靠近了人类和狐猴的粒细胞簇。检查经典标记基因后发现：这些细胞表达粒细胞标记 Cd55，不表达巨噬细胞标记 Cd74——SATURN 发现了一个原始标注的错误。同样在脾脏中，SATURN 揭示出小鼠和狐猴的 B 细胞更接近人类记忆 B 细胞（而非 naive B 细胞），并由 Cd19 的差异表达得到独立验证。
五种物种的 AH 图谱：青光眼基因的跨物种悬念
在涉及人、食蟹猕猴、恒河猴、小鼠和猪五种物种的眼房水流出（AH）图谱整合中，SATURN 展示了其处理多物种大数据的能力（50,000 个细胞）。更有意思的是，在对青光眼相关基因的分析中，SATURN 发现了一个耐人寻味的模式：四个非人物种的 Myoc 基因链接到了同一个宏基因，但人类的 MYOC 基因被分配到了另一个宏基因——与同样跟青光眼相关但非同源的 A2M 基因分在一起。蛋白质嵌入的可视化分析确认，人类 MYOC 的蛋白嵌入确实与其他四个物种的 Myoc 明显分离。换言之，SATURN 不只是在做数据整合——它正在为比较进化生物学提供一个全新的分子分析视角。
⚠️ 局限与展望
SATURN 需要每个物种有高质量的参考蛋白质组——对于那些尚未完成基因组测序的物种，这条路暂时走不通。即使有参考蛋白组，SATURN 当前把基因的多个蛋白质同工型做平均池化处理，忽略了 RNA 可变剪接对最终翻译产物可能产生的重要影响。另外，SATURN 依赖每个物种内部预先存在的细胞聚类——这既是算法设计的一部分，也是一定程度上的监督依赖。对于极稀有的细胞类型（例如仅 33 个细胞的蛙种系细胞），SATURN 也面临整合困难。
但这些局限并不减损 SATURN 的方法论价值。更值得关注的是它打开的未来方向：蛋白质嵌入完全可以替代索引式表示去改进 CITE-seq 等多组学方法；对 MERFISH 等只检测有限基因集的空间转录组数据，SATURN 不需要把所有数据集砍到共同基因——这是一个重大优势；而且蛋白质嵌入理论上还可以耦合基因型信息做个性化修正。随着单细胞技术被应用到越来越多种类丰富的物种身上，SATURN 将成为一个理解细胞类型保守与分化的关键工具。
📎 论文信息
- 📄 论文：Toward universal cell embeddings: integrating single-cell RNA-seq datasets across species with SATURN | Nature Methods, Vol. 21, pp. 1492–1500 (2024)
- 🔗 链接：https://doi.org/10.1038/s41592-024-02191-z
- 💻 代码：https://github.com/snap-stanford/SATURN
- 👥 团队：Yanay Rosen, Maria Brbić, Yusuf Roohani*, Kyle Swanson, Ziang Li, Jure Leskovec | Stanford University, EPFL, Tsinghua University
- ⭐ GitHub Stars：165