单细胞组学中的Transformer模型
本代码库是《单细胞组学中的Transformer模型:综述与新视角》一文的配套资料。详细内容请参阅原文。
我们提供了一个精选的单细胞Transformer模型列表及其评估结果。我们略过了仅适用于整体或切片图像数据的模型,以及那些仅将Transformer作为模型一部分的模型。同时也省略了专注于DNA或蛋白质序列等顺序数据的模型。新的条目会添加在相应表格的顶部。
我们欢迎对本代码库的贡献。如果您想添加或编辑条目,请提交拉取请求或创建问题。
单细胞Transformer模型
模型 | 论文 | 代码 | 组学模态 | 预训练数据集 | 输入嵌入 | 架构 | 自监督学习任务 | 监督任务 | 零样本任务 |
---|---|---|---|---|---|---|---|---|---|
scPRINT | 📝 Kalfon等人 2024 | 🛠️Github | 单细胞RNA测序 | 5000万/跨组织、跨物种(CELLxGENE) | 其他: 基于ESM-2的基因嵌入。基因嵌入随机采样,顺序由染色体位置决定 | 编码器 | 多任务预训练: 去噪、瓶颈学习(+多个额外可用损失函数) | 细胞标签预测(这些监督任务是预训练的一部分) | 读取深度增强、基因表达插补、批次整合、细胞聚类、细胞标签预测、基因调控网络推断 |
scMulan | 📄(RECOMB)Bian等人 2024 | 🔍Github | 单细胞RNA测序 | 1000万/跨组织,人类(hECA) | 未指明 | 解码器 | 条件细胞生成 | 细胞类型注释、细胞元数据注释(两者也用于训练) | 批次整合 |
BioFormers | 📝Belgadi和Li等人 2023 | 无 | 单细胞RNA测序 | 8000/单一组织,人类(PBMC, Adamson等人 2016) | 值分类: 值分箱 | 编码器 | 带交叉熵损失的掩码语言模型 | 无 | 细胞聚类、基因表达插补、基因扰动效应预测、基因调控网络推断 |
Geneformer | 📄(Nature)Theodoris等人 2023 | 🛠🤗 | 单细胞RNA测序 | 3600万/跨组织,人类(Genecorpus) | 排序: 基于排名 | 编码器 | 带交叉熵损失的掩码语言模型,基因ID预测 | 基因功能预测、细胞注释 | 细胞聚类、基因调控网络推断 |
Universal Cell Embedding | 📝Rosen等人 2023 | 🔍Github | 单细胞RNA测序 | 3600万/跨组织、跨物种(CELLxGENE和其他) | 其他: 基于ESM-2的基因嵌入。基因嵌入根据表达水平采样,顺序由染色体位置决定。 | 编码器 | 修改的掩码语言模型,使用二元交叉熵损失预测基因是否表达。使用CLS嵌入而非标记嵌入。 | 细胞注释 | 细胞聚类、跨物种整合 |
scGPT | 📄(Nature Meth)Cui等人 2024 | 🔍GitHub | 单细胞RNA测序、单细胞ATAC测序、CITE-seq、空间转录组学 | 3300万/跨组织,人类,非疾病(CELLxGENE) | 值分类: 值分箱 | 其他: 编码器中的注意力掩码 | 迭代掩码语言模型变体与均方误差损失,细胞标记表达预测,基因表达预测 | 细胞类型注释、基因扰动效应预测、逆向扰动预测、细胞聚类、多模态嵌入、基因功能预测 | 细胞聚类、基因调控网络推断、模拟、基因表达插补 |
TOSICA | 📄(Nature Comms)Chen等人 2023 | 🛠️GitHub | 单细胞RNA测序 | 无 | 值投影 | 编码器 | 无 | 细胞类型注释 | 无 |
scMoFormer | 📄(ACM)Tang等人 2023 | 🛠️GitHub | 单细胞RNA测序、单细胞ATAC测序、CITE-seq | 无 | 其他,基于SVD | 编码器和图转换器 | 无 | 跨模态预测 | 无 |
tGPT | 📄(Cell iScience)Shen等人 2023 | 🛠GitHub️ | 单细胞RNA测序 | 2200万/跨组织、跨物种、疾病和非疾病、类器官(列表) | 排序 | 解码器 | 带交叉熵损失的下一个标记预测,基因ID预测 | 无 | 细胞聚类、轨迹推断 |
SpaFormer | 📝Wen等人 2023 | 🛠️GitHub | 空间转录组学 | 无 | 细胞作为标记,值投影 | 编码器 | 修改的掩码语言模型与均方误差损失,基因表达预测 | 基因表达插补 | 细胞聚类 |
scFoundation | 📄(Nature Meth)Hao等人 2024和📄(NeurIPS)Gong等人 2023 | 🔍GitHub | 单细胞RNA测序 | 5000万/跨组织,人类,疾病和非疾病(GEO, Single Cell Portal, HCA, EMBL-EBI) | 值投影 | 其他: 两个编码器 | 修改的掩码语言模型与均方误差损失,基因表达预测 | 药物响应预测、基因扰动效应预测 | 读取深度增强、细胞聚类 |
CellLM | 📝Zhao等人 2023 | 🔍GitHub | 单细胞RNA测序 | 180万/跨组织,人类,疾病和非疾病(PanglaoDB, CancerSCEM) | 值分类 | 编码器 | 对比损失,带交叉熵损失的掩码语言模型 | 非疾病vs癌症预测、细胞类型注释、药物响应预测 | 无 |
scCLIP | 📝Xiong等人,2023年 | 🛠️GitHub | scRNA-seq,scATAC-seq | 37.7万 / 跨组织,人类胎儿(ATAC,RNA) | 数值投影 | 编码器 | 对比损失,CE匹配模态 | 无 | 多模态嵌入 |
GeneCompass | 📝Yang等人,2023年 | 部分🛠GitHub | scRNA-seq | 1.26亿 / 跨组织,人类和小鼠,疾病和非疾病(GEO,SRA,CELLxGENE,GSA,Single Cell Portal,HCA,EMBL-EBI,3CA,Cell BLAST,TEDD,以及其他) | ? | 其他:两个编码器 | MLM与CE和MSE损失,基因ID和表达预测 | 细胞类型注释,药物响应预测,基因功能预测 | 跨物种整合,基因扰动效应预测,GRN推断 |
CellPLM | 📄(ICLR)Wen等人,2024年 | 部分🔍GitHub | scRNA-seq,空间转录组学 | 1100万 / 跨组织,人类,疾病和非疾病(HTCA,HCA,GEO) | 细胞作为标记,数值投影 | 编码器 | 改进的MLM与MSE损失和KL损失,基因表达预测 | 基因表达填补,细胞类型注释,基因扰动效应预测 | 细胞聚类,scRNA-seq去噪 |
scMAE | 📝Kim等人,2023年 | 无 | 单细胞流式细胞术 | 650万 / 人类,疾病和非疾病(来源?) | 其他,数值与可学习蛋白质嵌入的拼接 | 其他:两个编码器 | MLM与MSE损失,蛋白质表达预测 | 细胞类型注释,蛋白质表达填补 | 无 |
CAN/CGRAN | 📄(Frontiers)Wang等人,2023年 | 无 | scRNA-seq | 无 | 数值投影 | 编码器 | 无 | 细胞类型注释 | 无 |
scTranslator | 📝Liu等人,2023年 | 🔍️GitHub | scRNA-seq,CITE-seq | 无 | 数值投影 | 其他:两个编码器 | 无 | 跨模态预测 | (跨模态预测训练后)GRN推断,细胞聚类 |
scTransSort | 📄(MDPI)Jiao等人,2023年 | 🛠️GitHub | scRNA-seq | 无 | 数值投影 | 编码器 | 无 | 细胞类型注释 | 无 |
STGRNS | 📄(OUP)Xu等人,2023年 | 🛠️GitHub | scRNA-seq | 无 | 其他 | 编码器 | 无 | GRN推断 | 无 |
CIForm | 📄(OUP)Xu等人,2023年 | 🛠️GitHub | scRNA-seq | 无 | 数值投影 | 编码器 | 无 | 细胞类型注释 | 无 |
scFormer | 📝Cui等人,2023年 | 不完整️GitHub | scRNA-seq | 任务特定 | 数值分类:数值分箱 | 编码器 | 改进的MLM与CE,细胞标记表达预测,基于余弦相似度的对比损失,基因表达预测 | 细胞类型注释,基因扰动效应预测 | 细胞聚类 |
Exceiver | 📝Connell等人,2022年 | 🛠️GitHub | scRNA-seq | 50万 / 跨组织,人类(Tabula Sapiens) | 其他:数值缩放嵌入 | 编码器 | 改进的MLM与MSE,基因表达预测 | 细胞类型注释,药物响应预测 | 细胞聚类 |
TransCluster | 📄(Frontiers)Song等人,2022年 | 🛠️GitHub | scRNA-seq | 无 | 基于LDA的数值投影 | 编码器 | 无 | 细胞类型注释 | 无 |
scBERT | 📄(Nature MI)Yang等人,2022年 | 🔍GitHub | scRNA-seq | 100万 / 跨组织,人类(PanglaoDB) | 数值分类,分箱 | 编码器 | MLM与CE损失,基因表达预测 | 细胞类型注释,未知细胞类型检测 | 无 |
iSEEEK | 📄(OUP)Shen等人,2022年 | 🔍Github (数据集未公开) | 单细胞RNA测序 | 1190万 / 跨组织、跨物种 (列表) | 排序:基于排名 | 编码器 | 掩码语言模型与交叉熵损失 | 标记基因分类 | 细胞聚类、拟时间分析、基因调控网络推断 |
多任务学习 | 📝Pang等人,2020年 | 无 | 单细胞RNA测序 | 16万 / 大脑,小鼠 (MBA) | 值投影 | 其他:带有两个transformer编码器的自动编码器(?) | 改进的掩码语言模型与均方误差损失,基因表达预测 | 无 | 细胞聚类 |
单细胞转换器LLMs
模型 | 论文 | 代码 | 组学模态 | 预训练数据集 | 输入嵌入 | 架构 | 自监督学习任务 | 监督任务 | 零样本任务 |
---|---|---|---|---|---|---|---|---|---|
CellWhisperer | 📝Schaefer等,2024 | 即将推出 | 整体/单细胞RNA-seq | 转录组数据与自然语言注释配对 | 基于Geneformer和BioBERT的嵌入模型(对比微调) | 嵌入模型的多模态对比训练(CLIP)和LLM的转录组指令微调(LLaVA) | 无 | 转录组感知问答 | 无参考细胞属性预测(细胞类型和状态、疾病状态、细胞来源器官等) |
scInterpreter | 📝Li等,2024 | 无 | 单细胞RNA-seq | 自然语言GPT-3.5和Llama-13b | 其他:自然语言表示的嵌入排序 | 解码器,GPT-3.5和Llama-13b | 使用交叉熵损失的NTP和指令微调(GPT-3.5闭源) | 无 | 细胞类型注释(LLMs冻结,仅训练小型MLP) |
ChatCell | 📝❌Fang等,2024 | 🛠GitHub | 单细胞RNA-seq | 自然语言T5和自然语言指令 | 其他:带附加术语的自然语言嵌入排序 | 编码器-解码器,T5 | 使用交叉熵损失的NTP | 无(条件序列生成,提示) | 模拟、细胞类型注释、药物敏感性预测 |
MarkerGeneBERT | 📝Cheng等,2023 | 无 | 单细胞RNA-seq | 自然语言,PubMed和PubMed Central | 其他:使用SciBERT预处理的自然语言 | 编码器 | MLM | 命名实体识别(NER),细胞-生物标记物句子分类 | 无 |
scELMo | 📝Liu、Chen和Zheng,2023 | 部分 🔍GitHub | 单细胞RNA-seq,CITE-seq | 自然语言,闭源 | 其他:NLP模型特征嵌入,按细胞中特征水平(如表达水平)加权 | 闭源(部分开源) | 闭源(部分开源) | 细胞类型注释,基因扰动效应预测 | 其他扰动模型中的细胞和基因嵌入 |
GenePT | 📝Chen和Zou,2023 | 部分 🔍GitHub | 单细胞RNA-seq | 自然语言,闭源 | 排序:作为自然语言的嵌入 | 闭源 | 闭源 | 基因功能预测 | 细胞聚类,GRN推断 |
GPT-4 | 📄(Nature方法)W. Hou和Z. Ji,2024 | 🔍GitHub | 单细胞RNA-seq | 自然语言,闭源 | 排序:作为自然语言的嵌入 | 闭源 | 闭源 | 无(条件序列生成,提示) | 细胞类型注释 |
Cell2Sentence | 📄(ICML)Levine等,2024 | 🛠️GitHub | 单细胞RNA-seq | 自然语言(GPT2)和单细胞RNA-seq(4万/免疫,人类) | 排序:作为自然语言的嵌入 | 解码器 | 使用交叉熵损失的NTP | 无 | 模拟、细胞类型注释 |
单细胞转换器评估
论文 | 代码 | 组学模态 | 评估的Transformer模型 | 任务 | 注释 |
---|---|---|---|---|---|
📝He等, 2024 | 🛠️GitHub | 单细胞RNA测序 | scGPT | 细胞类型注释 | 对scGPT进行参数高效微调(PEFT)的评估。表明PEFT不仅计算效率更高,还能获得更好的细胞类型预测结果。 |
📄(Nature MI)Khan等, 2023 | 🛠️GitHub | 单细胞RNA测序 | scBERT | 细胞类型注释、未知细胞类型检测 | 专注于不平衡细胞类型分类。scBERT对类别不平衡敏感。scBERT优于Seurat。scBERT在未知细胞类型检测中表现不佳。它受益于SSL预训练。 |
📝Liu等, 2023 | 🛠️GitHub | 单细胞RNA测序、单细胞ATAC测序、空间转录组学 | scGPT, Geneformer, scBERT, tGPT, CellLM | 细胞聚类、细胞类型注释、多模态嵌入、GRN推断、基因表达填补、基因扰动效应预测、模拟、基因功能预测 | 模型并非在相同数据集上训练。scGPT被定位为在任务多样性方面最通用的模型。除Transformer外的模型在大多数任务中表现至少与Transformer一样好。Transformer对超参数选择(如学习率和训练轮数)敏感。 |
📝Boiarsky等, 2023 | 🛠️GitHub | 单细胞RNA测序 | scBERT, scGPT | 细胞类型注释 | 逻辑回归在细胞类型注释中似乎与Transformer表现相当,即使在低数据场景下也是如此。 |
📝Kedzierska等, 2023 | 🛠️GitHub | 单细胞RNA测序 | scGPT, Geneformer | 细胞聚类 | 仅零样本性能。两个模型都似乎不可靠。 |
📝Alsabbagh等, 2023 | 🛠️GitHub | 单细胞RNA测序 | scGPT, Geneformer, scBERT | 细胞类型注释 | 专注于不平衡细胞类型分类。Geneformer似乎不如scGPT和scBERT,后两者表现相似。 |
图例
- 📝 - 预印本
- 📄 - 同行评审出版物
- 🛠️ - 完全可复现
- 🔍 - 仅用于评估的代码
- ❌ - 已撤回或撤销
引用本工作
如果您发现本仓库中的数据对您的工作有用,请引用:
@Article{szalata_transformers_2024,
title = {Transformers in single-cell omics: a review and new perspectives},
volume = {21},
issn = {1548-7105},
url = {https://doi.org/10.1038/s41592-024-02353-z},
doi = {10.1038/s41592-024-02353-z},
abstract = {Recent efforts to construct reference maps of cellular phenotypes have expanded the volume and diversity of single-cell omics data, providing an unprecedented resource for studying cell properties. Despite the availability of rich datasets and their continued growth, current single-cell models are unable to fully capitalize on the information they contain. Transformers have become the architecture of choice for foundation models in other domains owing to their ability to generalize to heterogeneous, large-scale datasets. Thus, the question arises of whether transformers could set off a similar shift in the field of single-cell modeling. Here we first describe the transformer architecture and its single-cell adaptations and then present a comprehensive review of the existing applications of transformers in single-cell analysis and critically discuss their future potential for single-cell biology. By studying limitations and technical challenges, we aim to provide a structured outlook for future research directions at the intersection of machine learning and single-cell biology.},
pages = {1430--1443},
number = {8},
journaltitle = {Nature Methods},
shortjournal = {Nature Methods},
author = {Szałata, Artur and Hrovatin, Karin and Becker, Sören and Tejada-Lapuerta, Alejandro and Cui, Haotian and Wang, Bo and Theis, Fabian J.},
date = {2024-08-01},}