scShapeBench: Discovering Geometry from High-Dimensional scRNA-seq Data¶
会议: NeurIPS 2026
arXiv: 2605.12662
OpenReview: https://openreview.net/forum?id=eE5wOtNka2
代码: https://huggingface.co/datasets/scShape-Benchmark/scShapeBench
领域: 其他
关键词: 单细胞转录组、拓扑数据分析、形状检测、Reeb图、基准评测
一句话总结¶
提出了首个面向高维单细胞数据形状自动检测的基准框架 scShapeBench（含 1,000 个带真实拓扑的合成数据集与 102 个专家标注的真实 scRNA-seq 数据集），并给出了基于扩散几何构建 Reeb 图的新基线方法 scReebTower。
研究背景与动机¶
高维单细胞生物学数据通常具有内在的低维流形与拓扑结构，其几何形态（形状）直接对应着细胞系统的不同生物学过程与状态转换。在目前的单细胞生物信息分析中，下游管线的选择往往预先假设了数据的几何形态：例如经典的 Seurat 流水线依赖 UMAP 降维与 Louvain/Leiden 聚类，默认数据由离散的细胞类型聚类（Clusters）组成；Monocle 3 与 SPADE 等谱系推断工具预设树状分支结构（Multi-branching）；而 MIOFlow 与 TrajectoryNet 等连续流模型则假设平滑过渡的单条发展轨迹（Single-trajectory）。此外，在肿瘤可塑性分析等场景下，细胞在极端功能表型之间权衡折中，呈现多边形或单纯形包络的原始表型流形（Archetypal）。
然而，面对原始的高维基因表达矩阵，研究人员无法直观读取其潜在形状。目前的形态判定高度依赖人工经验——生物信息学家先通过降维图进行主观肉眼审阅，再凭经验挑选分析软件；而在缺乏直观把控时，默认选择几乎总是 Seurat 类聚类工具。这种先验偏差导致嵌入在连续轨迹、分叉抉择或表型权衡中的真实生物学信号经常被生硬切碎为静态簇，造成不可逆的信号丢失。随着自动化智能体（Agentic AI Scientist）在生物医学领域的普及，依赖人工审阅形态的瓶颈愈发突出，亟需能够以数学化、可量化方式自动探测高维点云拓扑形状的方法；但此前该问题甚至缺乏明确的数学形式化定义与标准化评测基准。
针对这一空白，本文提出了单细胞形状检测（Single-cell Shape Detection）形式化任务，即从高维点云中还原能够捕捉潜在流形拓扑的约简骨架图（Reduced Graph）。核心 idea：构建包含合成真值拓扑与真实单细胞专家标注的多层次基准 scShapeBench，制定基于拓扑图相似度与下游读出的评测协议，并提出基于扩散算子 Fiedler 向量与扩散浓缩多尺度约简的形状检测基准方法 scReebTower。
方法详解¶
整体框架¶
单细胞形状检测任务旨在从观测到的高维细胞-基因表达点云 \(X \in \mathbb{R}^{n \times m}\) 中推断一个反映底层流形连通性、分支、环路与端点的约简图 \(\widetilde{S}\)，使其最大化与潜在真实拓扑结构 \(\widetilde{G}\) 的拓扑一致性度量 \(\mathcal{C}(\widetilde{S}, \widetilde{G})\)。针对这一目标，基准方法 scReebTower 将图扩散几何与代数拓扑中的 Morse 理论相结合：首先基于自适应高斯核构建高维点云的扩散算子，提取其首个非平凡特征向量（Fiedler 向量）作为离散 Morse 滤波函数；随后追踪水平集的连通分量演化构建 Reeb 图，并通过收缩度为 2 的剖分节点获取紧凑约简骨架；进一步结合时间非均匀扩散浓缩（Diffusion Condensation）实现多尺度粗粒化建模。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
A["输入：高维点云 X<br/>(scRNA-seq 表达矩阵 / 合成数据)"] --> B["自适应扩散算子构建<br/>kNN 近邻图 + 局部尺度高斯核"]
B --> C["扩散本征谱分解<br/>提取 Fiedler 特征向量 φ1"]
C --> D["Reeb 骨架图构建<br/>水平集连通分量收缩与跨层连接"]
D --> E["拓扑骨架约简<br/>收缩度为 2 的过渡路径节点"]
E --> F["扩散浓缩多尺度粗粒化<br/>非均匀马尔可夫平滑迭代 (可选)"]
F --> G["输出：约简图 S~ 与拓扑特征<br/>(GED / 持续同调 / 下游形状预测)"]关键设计¶
1. 自适应扩散几何与 Fiedler 滤波函数：摆脱欧氏距离局限捕捉内蕴流形
传统几何分析直接基于高维欧氏距离，容易受非均匀采样密度和高维噪声干扰。scReebTower 首先建立 \(k\) 近邻图，并采用局部自适应高斯核计算细胞间的亲和度权重 \(w_{ij}\)： $\(w_{ij} = \exp\left(-\frac{\|x_i - x_j\|^2}{\sigma_i \sigma_j}\right)\)$ 其中 \(\sigma_i\) 为根据点 \(x_i\) 局部近邻距离确定的自适应尺度参数。通过行归一化 \(P = D^{-1} W\) 得到马尔可夫扩散算子，其谱分解产生的首个非平凡右特征向量 \(\phi_1\)（对应第二大特征值 \(\lambda_1\)，即 Fiedler 向量）刻画了流形上最低频的平滑谐波模式。本文直接将 \(\phi_1\) 作为点云上的离散 Morse 滤波函数 \(f(v) = \phi_1(v)\)，天然沿着数据内蕴扩散主轴平滑展开，对局部离群噪声具备强鲁棒性。
2. 水平集演化与 Reeb 图构建：由连续流形抽象出离散连通拓扑
为了将一维连续 Morse 标量场转化为反映全局拓扑分叉与合并的离散图，scReebTower 对顶点的滤波值排序 \(f(v_1) \le f(v_2) \le \dots \le f(v_n)\)，并在相邻排序值中点取切片阈值 \(a_i = \frac{f(v_i) + f(v_{i+1})}{2}\)。对每个阈值 \(a_i\)，水平集 \(f^{-1}(a_i)\) 由跨越该阈值的图边 \((u,v) \in E\)（满足 \(f(u) \le a_i < f(v)\)）构成的子图导出。算法将同一水平集内的每个连通分量收缩为一个 Reeb 节点，并在相邻切片 \(a_i\) 与 \(a_{i+1}\) 之间共享数据点的连通分量间建立边连接，从而忠实追踪流形在扩散主坐标上的生成、分叉与合并过程。
3. 拓扑图约简与多尺度扩散浓缩：消除过度剖分并支持粗粒化
原始构造的 Reeb 图往往包含大量位于单条路径内部、度为 2 的冗余过渡顶点。scReebTower 执行图约简（Graph Reduction），将度为 2 的极大内部路径收缩为单条加权边，得到紧凑约简多重图 \(\widetilde{S}\)，该操作在严格保留分支点（度 \(\ge 3\)）、悬挂末端（度 1）、环路（Cycle）与连通分量的同时消除了采样密度引入的无关剖分。为了进一步处理极端稀疏或复杂微观结构，算法还引入了基于扩散浓缩（Diffusion Condensation）的多尺度粗粒化机制：在第 \(\ell\) 轮迭代中利用扩散步转移概率更新点坐标 \(\hat{X} = P^t X\)，对局部点云沿内蕴热传导平滑凝聚后重新构筑 Reeb 图，赋予模型跨尺度检测宏观拓扑形态的能力。
损失函数 / 训练策略¶
scReebTower 本身属于非参数化代数拓扑与谱图算法，无须参数反向传播训练。对于基准评测下游的形状标签预测器： 1. PI-MLP（拓扑特征读出）：从约简图的边长滤波中提取 \(H_0\)（0 维连通分量，编码为 \((0, d_i)\)）与 \(H_1\)（1 维环路，编码为 \((b_i, 1-b_i)\)）持续条形码（Persistence Barcodes），在 \([0,1]^2\) 上以高斯核带宽 \(\sigma=0.1\) 与线性权重 \(w(b,p)=p\) 矢量化为 \(10 \times 10\) 网格的持续图像（Persistence Images），拼接为 200 维特征向量，输入单隐藏层（64单元，ReLU）MLP，使用二值交叉熵损失（BCE）与 Adam 优化器（学习率 \(10^{-3}\)，权重衰减 \(10^{-4}\)）训练。 2. GINE-GNN（图结构读出）：采用 2 层 GINEConv 消息传递网络（隐藏维度 32，Dropout 0.3），节点包含 7 维特征（归一化空间坐标、度数、局部聚类系数、重边多重度、所属分量比例等），边包含 2 维特征（归一化边权重与多重度），经全局均值与最大值池化后投影至 4 类多标签输出，使用带类别正样本频率加权的二值交叉熵损失训练。
实验关键数据¶
主实验¶
在合成基准轨道上（1,000 个涵盖单连通、多连通、树状、单环、多环及混合形态的受控点云），直接评估还原图 \(\widetilde{S}\) 与真值骨架图 \(\widetilde{G}\) 的图编辑距离（GED，越低越好）以及 Wasserstein 持续同调相似度（越接近 1 越好）。在 102 个真实 scRNA-seq 数据集（覆盖 4 大形状类别：Clusters 聚类、Single-trajectory 单轨迹、Multi-branching 多分支、Archetypal 原始表型）上，评估下游 GNN 分类准确率与 F1 分数（5 折交叉验证均值）。
| 数据集类型 | 评测任务 / 指标 | scReebTower (多尺度) | scReebTower (\(\ell=0\)) | PAGA | Mapper |
|---|---|---|---|---|---|
| 合成数据 (真值图对比) | Wasserstein 持续相似度 (↑) | 0.3199 | 0.2806 | 0.2788 | 0.0318 |
| 合成数据 (真值图对比) | 图编辑距离 GED (↓) | 13.3216 | 13.3378 | 16.2518 | 79.7820 |
| 真实 scRNA-seq (GNN 读出) | 聚类 (Clusters) Acc / F1 | 0.75±0.10 / 0.82±0.09 | 0.57±0.06 / 0.71±0.04 | 0.69±0.01 / 0.78±0.01 | 0.61±0.08 / 0.71±0.07 |
| 真实 scRNA-seq (GNN 读出) | 单轨迹 (Single-traj.) Acc / F1 | 0.70±0.13 / 0.77±0.10 | 0.70±0.10 / 0.80±0.08 | 0.70±0.06 / 0.81±0.05 | 0.57±0.06 / 0.70±0.06 |
| 真实 scRNA-seq (GNN 读出) | 多分支 (Multi-branch) Acc / F1 | 0.21±0.29 / 0.26±0.34 | 0.83±0.13 / 0.90±0.08 | 0.80±0.08 / 0.88±0.05 | 0.76±0.05 / 0.86±0.04 |
| 真实 scRNA-seq (GNN 读出) | 原始表型 (Archetypal) Acc / F1 | 0.77±0.08 / 0.80±0.08 | 0.62±0.07 / 0.74±0.05 | 0.73±0.08 / 0.81±0.06 | 0.71±0.14 / 0.78±0.12 |
消融实验¶
消融主要分析了多尺度扩散浓缩层级（\(\ell=0\) 与多尺度 \(\ell>0\)）对图骨架质量及下游特征提取器（拓扑条形码 PI-MLP vs 图神经网络 GNN）的影响：
| 评估配置 | 合成 GED (↓) | 合成持续相似度 (↑) | scRNA-seq PI-MLP 宏 F1 | scRNA-seq GNN 宏 F1 | 说明 |
|---|---|---|---|---|---|
| 完整多尺度 scReebTower | 13.3216 | 0.3199 | 0.760 | 0.662 | 包含扩散浓缩多尺度平滑；合成指标与持续特征最优 |
| 基础 scReebTower (\(\ell=0\)) | 13.3378 | 0.2806 | 0.852 | 0.812 | 未引入浓缩平滑；保留细粒度分叉，真实数据判别更稳定 |
| 经典 PAGA 基线 | 16.2518 | 0.2788 | 0.830 | 0.837 | 基于 Leiden 聚类与图抽象，组合结构偏差较大 |
| 经典 Mapper 基线 | 79.7820 | 0.0318 | 0.832 | 0.767 | 基于 PCA 滤镜与 DBSCAN，对连续骨架连通性还原极弱 |
关键发现¶
- 在合成真值图基准上，scReebTower 展现出显著优势：持续同调相似度达 0.3199（PAGA 为 0.2788，Mapper 仅 0.0318），GED 降低至 13.32（PAGA 为 16.25，Mapper 高达 79.78），证明扩散滤波与 Reeb 水平集结合能最忠实还原图论拓扑。
- 扩散浓缩在合成低噪声下提升了连续环路与主干的平滑性（持续相似度由 0.2806 升至 0.3199），但在高噪声真实生物数据中，多轮浓缩可能过度抹平局部分化节点，导致多分支结构在 GNN 读出中的召回率骤降；此时基础 \(\ell=0\) 版本的综合稳定性更优（多分支 F1 达 0.90）。
- 9 位领域专家对真实 scRNA-seq 的独立标注重合度（平均成对 Jaccard 相似度 0.403，Fleiss' \(\kappa\) 介于 0.161-0.255）表明生物流形本身具备内在重叠性（如分化轨迹中包含细胞周期环路与终端簇），证实了并集多标签评测协议与多形态感知基准设计的必要性。
亮点与洞察¶
- 将下游管线选择转化为严谨的拓扑检测数学问题：首次将生物信息学中长年依赖肉眼定性判断的“数据选分析流水线”痛点形式化为高维点云约简图恢复问题，为未来 AI 智能体自主探索单细胞组学奠定了理论基石。
- 巧妙利用 Fiedler 扩散本征模构建 Reeb 图：无需人工挑选 PCA 滤镜或主观设定切片方向，利用热扩散算子的一阶非平凡特征向量作为自然 Morse 标量场，自底向上刻画复杂非线性流形的连通演化。
- 双轨制基准设计（合成真值 + 专家共识标注）：合成轨道通过管状膨胀与受控噪声提供绝对真值拓扑，真实轨道结合 102 个多源单细胞数据集与 9 名专家多标签标注，兼顾拓扑严格性与真实生物学异质性。
局限与展望¶
- 形状词表覆盖有限：目前形状类别仅限定于聚类、单轨迹、多分支与原始表型 4 类常见模式，尚未显式覆盖高维空洞、复杂嵌套拓扑结构或微观闭环周期。
- 扩散特征分解的计算复杂度瓶颈：全样本稠密特征值分解的时间复杂度达 \(O(n^3)\)，尽管基准统一降采样至 50,000 细胞，但在处理百万级细胞 Atlas 时需要引入大规模随机化奇异值分解（Randomized SVD）或近邻图稀疏谱求解器加速。
- 下游真实生物学收益有待闭环验证：目前基准通过分类准确率衡量形态判别能力，未来需进一步将检测结果与实际差异表达分析、拟时间序列推断等下游生物学发现的保真度直接挂钩。
相关工作与启发¶
- vs PAGA (Wolf et al., 2019): PAGA 依赖先验离散聚类（Leiden）再建立群间拓扑图，本质上是“分群后找连通”，在连续无明显断裂的流形或多边形凸包上容易产生割裂；scReebTower 是纯连续流形切片驱动，对连续谱与分叉的拓扑还原保真度更高（GED 13.32 vs 16.25）。
- vs Mapper (Singh et al., 2007): Mapper 依赖选定镜头（Lens，常为 PCA）进行超立方体覆盖与局部聚类，受投影失真与超参数（重叠率、邻域半径）影响极大；scReebTower 采用数据内蕴扩散谐波，在合成拓扑相似度上大幅领先（0.3199 vs 0.0318）。
评分¶
- 新颖性: ⭐⭐⭐⭐ [首次形式化定义单细胞形状检测基准，开创性引入 Reeb 图与扩散几何解决管线自适应选择]
- 实验充分度: ⭐⭐⭐⭐⭐ [1,000 个带控制因子的合成数据集 + 102 个真实生物数据集 + 9 位专家联合标注，评测设计极其详实]
- 写作质量: ⭐⭐⭐⭐⭐ [数学推导严谨，拓扑学概念清晰，图示完整直观]
- 价值: ⭐⭐⭐⭐⭐ [填补了 AI 驱动自主生命科学研究（Agentic AI for Science）中关键的上游自动化感知缺失]