Concord 单细胞整合方法通过重设计对比学习 mini-batch 采样校正批效应

UCSF（Zev Gartner 实验室）的讲者介绍 Concord——一种不改变网络架构、仅重新设计对比学习 mini-batch 采样的单细胞整合方法：用邻域感知采样保留局部结构、用单数据集内采样把批次差异"洗到"并行轴上，从而无需对抗损失即可去除批效应并给出无断裂的细胞状态流形。。核心问题：单细胞技术只捕捉细胞状态全景的快照，跨时间点/空间/批次的重叠有限，常规整合易产生流形断裂或错位伪迹，难以还原真实低维"细胞状态流形"。；方法（Concord）：不改架构，只重设计对比学习采样——(1) 邻域感知采样，在每个 batch 富集局部近邻细胞以分辨细微相近细胞态；(2) 单数据集内采样，迫使对比只在各自数据集内部进行，把批次差异推到并行轴上，无需对抗损失等补丁式修正即可去除批效应。；模型极简：仅单层隐藏层的极小神经网络；在含噪声与批效应的模拟树数据上，相比 Scanorama、Harmony、标准对比学习、SCVI、Seurat 等，既能对齐批次又能去噪并保留局部结构。；真实数据验证：用 C. elegans 与近缘种 C. briggsae 的多批次胚胎发生单细胞数据做基准——Concord 不仅对齐两物种轨迹，还给出完整无断裂的流形图（2D 不够、用到 3D），可追溯从祖细胞到终末命运并解析出 ASJ/AOA 神经元的左右不对称亚型（其他方法有缺口或无法分辨）。；扩展性：在小鼠肠道发育数据上显出各细胞类型内部的细胞周期环与远端/近端区平行分化轨迹；号称在普通 Nvidia GPU 上 30 分钟跑完全基因表达矩阵、甚至能在笔记本上运行。；讲者称该采样方案"跨数据集/模态（含成像）普遍适用、达 state-of-the-art"并强调"不改架构仅靠采样顺序就深刻改变结果"，属较强主张，标注为 待验证；方法名在讲稿中混用 concord/con/ser，应为同一框架（Concord）。

• 核心问题：单细胞技术只捕捉细胞状态全景的快照，跨时间点/空间/批次的重叠有限，常规整合易产生流形断裂或错位伪迹，难以还原真实低维"细胞状态流形"。
• 方法（Concord）：不改架构，只重设计对比学习采样——(1) 邻域感知采样，在每个 batch 富集局部近邻细胞以分辨细微相近细胞态；(2) 单数据集内采样，迫使对比只在各自数据集内部进行，把批次差异推到并行轴上，无需对抗损失等补丁式修正即可去除批效应。
• 模型极简：仅单层隐藏层的极小神经网络；在含噪声与批效应的模拟树数据上，相比 Scanorama、Harmony、标准对比学习、SCVI、Seurat 等，既能对齐批次又能去噪并保留局部结构。
• 真实数据验证：用 C. elegans 与近缘种 C. briggsae 的多批次胚胎发生单细胞数据做基准——Concord 不仅对齐两物种轨迹，还给出完整无断裂的流形图（2D 不够、用到 3D），可追溯从祖细胞到终末命运并解析出 ASJ/AOA 神经元的左右不对称亚型（其他方法有缺口或无法分辨）。
• 扩展性：在小鼠肠道发育数据上显出各细胞类型内部的细胞周期环与远端/近端区平行分化轨迹；号称在普通 Nvidia GPU 上 30 分钟跑完全基因表达矩阵、甚至能在笔记本上运行。
• 讲者称该采样方案"跨数据集/模态（含成像）普遍适用、达 state-of-the-art"并强调"不改架构仅靠采样顺序就深刻改变结果"，属较强主张，标注为 待验证；方法名在讲稿中混用 concord/con/ser，应为同一框架（Concord）。