Statistical and Computational Methods in Neuroscience
在本次主题为 “Statistical and Computational Methods in Neuroscience” 的Journal中，我们全面探讨了统计方法和高级计算工具在神经科学中的应用。随着数据复杂性和维度的不断提升，传统统计方法已逐渐暴露出局限性，而现代计算技术为我们提供了更强大的工具，帮助从数据中提炼出深层次的生物学规律。内容分为三个核心部分：
- 从统计方法到数据驱动神经科学
- 探索组学数据：技术与统计工具
- 高级计算技术在组学与行为数据中的应用
通过本次Journal，我们展示了统计学与计算工具如何在神经科学数据分析中相辅相成，为神经系统功能与疾病机制研究提供新的思路。
Part I: 从统计方法到数据驱动神经科学
统计学是数据分析与科学推断的基石，贯穿了神经科学的发展历程。从17世纪John Graunt分析《死亡账单》揭示人口规律，到20世纪Ronald Fisher提出方差分析（ANOVA）和最大似然估计（MLE），统计学逐渐从描述性工具发展为推断与建模的科学。进入21世纪，统计学与计算科学深度融合，机器学习和人工智能等技术开始推动神经科学数据分析的变革。
然而，神经科学实验中的数据复杂性对传统统计方法提出了挑战。以组内相关性和时间重复测量为例，单一实验中来自同一动物的多个神经元数据往往高度相关，传统方法如t检验和ANOVA假设数据独立，容易产生错误的统计结论。线性混合效应模型（LME）通过引入固定效应和随机效应，能够建模数据的层级结构，有效解决相关性带来的假阳性问题。例如，在pCREB染色强度实验中，LME模型识别出只有24小时和48小时数据点具有显著差异，而传统线性模型得出的结果显著夸大。
随着数据维度的增加，回归分析和特征选择成为数据建模的重要工具。回归不仅能量化变量间的关系，还可预测未知结果。例如，刺激强度与神经元放电频率的关系可以通过回归建模进行量化。在高维数据中，传统回归方法易出现过拟合问题。LASSO正则化通过引入惩罚项，有效提高模型的泛化性能。而随机森林等集成方法不仅用于分类，还能筛选出影响结果的关键特征，提升模型解释力。
在应对高维数据时，降维技术是不可或缺的工具。PCA提取解释数据方差最大的方向，适用于探索性分析，而LDA则用于分类任务，通过最大化组间差异与最小化组内差异提取关键特征。此外，Demixed PCA能够同时解耦任务条件与时间因素，在复杂实验设计中展现出强大能力。这些统计工具的综合应用，为神经科学数据提供了更为全面的解析途径。
Part II: 探索组学数据：技术与统计工具
随着基因组学和转录组学技术的快速发展，神经科学研究进入了组学数据驱动的新时代。二代测序（Next-Generation Sequencing, NGS）和三代测序（Third-Generation Sequencing）为我们提供了高通量、全基因组范围的数据，使我们能够精细解析基因表达的动态变化和调控机制。二代测序以Illumina平台为代表，依靠边合成边测序（SBS）原理，具有高通量和高准确率的优势，广泛应用于差异表达分析和基因组变异检测。然而，由于读长较短，二代测序在解析复杂基因结构和长转录本方面存在一定局限。三代测序，如PacBio SMRT和Oxford Nanopore技术，通过实时检测单分子DNA或RNA分子的信号，能实现长读长测序，为复杂基因组拼接、基因融合事件和RNA修饰研究提供了新的工具。
基因组和转录组数据的标准化分析流程是组学数据研究的基础。对于基因组数据，分析流程包括数据质控、比对、变异检测和功能注释。研究者通过工具如BWA和GATK，将高通量数据比对到参考基因组，识别SNP、InDel等变异，并通过GO和KEGG分析揭示这些变异在生物功能上的潜在影响。转录组数据的分析则聚焦于基因表达水平及其变化，通过Hisat2或STAR进行序列比对，结合RSEM或FeatureCounts进行表达定量，随后使用DESeq2或edgeR进行差异表达分析。这一系列步骤确保了从原始数据到生物学发现的严谨性与可重复性。
在转录组数据分析中，共表达网络分析（WGCNA）是一种强大的工具，用于识别与表型显著相关的基因模块。WGCNA通过加权网络的构建，将基因表达数据转化为模块化的网络结构，并基于拓扑重叠度（TOM）聚类高相关性的基因，形成功能相关模块。研究者通过分析模块与表型的相关性，进一步筛选出关键基因，为揭示基因调控网络及其在神经系统发育和疾病中的作用提供了依据。WGCNA不仅简化了高维数据的复杂性，也为后续的功能验证和机制研究提供了方向。
通过二代与三代测序技术的结合，神经科学研究实现了基因表达和调控的全景解析。标准化的数据处理流程和网络分析工具，使我们能够从海量组学数据中筛选出与疾病状态、神经元功能及行为调控密切相关的基因和通路。这些技术为我们理解神经系统的复杂调控网络及其动态变化提供了精准而高效的解决方案。
Part III: 高级计算技术在组学与行为数据中的应用
面对高维、非线性和异质性极高的数据，传统的统计学方法逐渐显现出局限性。高级计算技术，包括非负矩阵分解、流形拟合、因果推断和深度学习模型，为组学与行为数据的深入解析提供了强大的工具支持。
非负矩阵分解（NMF）作为一种经典的降维方法，通过将数据分解为非负的特征矩阵和权重矩阵，能够提取数据中的潜在模式。在基因表达数据中，NMF帮助研究者识别出功能模块，揭示不同细胞类型或疾病亚群的关键特征。例如，在肿瘤数据中，NMF有效地解析了肿瘤内部的异质性，为临床分型和靶向治疗提供了理论依据。同样，在神经科学领域，NMF应用于单细胞RNA数据，提取特征基因模块，揭示神经元亚型的特异性功能。
然而，NMF基于线性假设，难以处理复杂的非线性数据。流形拟合方法通过保留数据的几何结构，有效解决了非线性数据降维问题。例如，scAMF算法通过流形拟合重构单细胞数据的底层结构，实现了高重叠类群的精准分离。在Usoskin数据集中，scAMF成功揭示了感觉神经元的功能分化，进一步展示了流形学习在高维神经数据中的应用潜力。
因果关系的推断是神经科学研究的重要问题。孟德尔随机化（MR）通过基因变异的随机分布，模拟随机对照试验，克服了观察性研究中混杂因素的影响。例如，基于GWAS数据的MR分析揭示了运动网络增强与自闭症风险降低的因果关系，同时表明ADHD可能反馈调节前额叶网络的功能特征。这一方法为理解大脑网络与精神疾病的因果关系提供了坚实的理论基础。
深度学习技术，尤其是Transformer模型，彻底改变了组学数据的分析方式。Transformer通过多头注意力机制捕捉数据的上下文关系，能够有效处理高维、稀疏的单细胞RNA数据。在基因调控网络推断中，Transformer通过生成注意力分数矩阵，识别潜在的基因间调控关系。此外，Transformer在多模态数据整合方面表现出色，为细胞类型注释、扰动效应预测等任务提供了高效解决方案。
深度学习还在行为数据分析中展现出显著优势。例如，卷积神经网络（CNN）用于分析动物行为，通过自动提取时空特征实现精确分类，而强化学习通过模拟个体与环境的交互，揭示决策机制背后的神经基础。在焦虑行为的研究中，强化学习模型表明高焦虑个体更倾向于回避惩罚，并揭示了焦虑与决策平衡机制之间的关联。这些结果为理解复杂行为的神经机制提供了新的计算框架。
Journal总结：
本次Journal从传统统计学方法到现代计算工具的深度融合，系统梳理了数据驱动神经科学的分析框架。在统计方法层面，回归预测、特征选择和降维技术为高维数据提供了有效的解析工具。在组学数据层面，二代与三代测序技术的结合、标准化数据处理流程以及WGCNA等网络分析方法，为揭示基因表达与神经功能的关系提供了系统化的解决方案。而在高级计算层面，非负矩阵分解与流形拟合帮助研究者从高维非线性数据中提取核心模式，孟德尔随机化为因果推断提供了强有力的工具，Transformer模型与深度学习则通过挖掘复杂的上下文关系，实现了多模态数据的整合与预测。
通过这些工具的结合，我们不仅能够从高维数据中提炼出关键的生物学信息，还能揭示复杂的调控网络与功能机制。这一过程代表了神经科学研究从实验数据向大数据、从描述性分析向因果推断的跨越。未来，随着计算工具的进一步发展，我们有望实现更精准的生物学建模，推动神经科学研究迈向新的高度。
本次journal club的 slides 见附件pdf：
by 梁子健
