近日，国际分析化学领域顶级学术期刊《Trends in Analytical Chemistry》（IF=12，中科院一区Top）在线发表了我院计算与整合生物学团队的最新基准评测综述论文《Decoding Cellular Composition Changes: State-of-the-Art Differential Abundance Analysis in Single-Cell Transcriptomics》。该论文系统梳理了单细胞转录组学差异丰度分析（Differential Abundance Analysis, DAA）方法的研究进展、技术体系与未来趋势，为领域内相关研究提供了全面的基准参考与趋势指引。研究由我院李勃副教授与郝友进教授牵头完成，2023级硕士研究生肖应学为第一作者，2023级硕士生孙静和郝友进教授为共同第一作者，李勃副教授担任通讯作者。重庆师范大学为论文第一完成单位和通讯单位。

单细胞RNA测序（scRNA-seq）技术的飞速发展，为解析复杂组织、疾病状态及发育过程中的细胞组成与动态变化提供了前所未有的分辨率。区别于传统差异表达分析聚焦“基因表达变化”，差异丰度分析则将研究维度推向“细胞群体变化”－通过量化不同实验条件、疾病状态或发育时期的细胞类群比例差异，为揭示组织微环境重塑、疾病进展、免疫应答、发育调控及衰老演变等生命过程提供了新的方法学支撑。随着单细胞数据规模不断扩大、实验设计日趋复杂，DAA已成为单细胞组学研究中的核心技术环节之一。

然而，当前DAA领域正面临“方法快速迭代与系统认知不足”的矛盾。近年来，基于统计建模、回归分析、贝叶斯推断及机器学习等多种算法不断涌现，但不同方法在模型假设、适用场景等多方面存在显著差异。如何准确把握各类方法的理论基础与技术边界，并在具体研究中选择适配的分析策略，已成为单细胞数据分析领域亟待解决的关键问题。

针对这一痛点，研究团队围绕DAA的基本原理、方法体系与应用场景，对代表性方法进行了系统梳理与综合评述。论文构建了结构化分类框架，将现有方法归纳为“基于聚类”和“非聚类”两大核心策略，并从统计原理、模型假设等维度，深入解析了不同分析方法在应对单细胞数据稀疏性、高维性、样本异质性及细胞状态连续性等特性时的优势与局限。在此基础上，研究进一步从准确性、计算效率、方法适用性等维度，对代表性方法进行了比较和总结。

研究指出，目前尚无一种方法能在所有数据类型与应用场景中均保持最优表现；不同方法往往需要在统计灵敏度、假阳性控制、计算资源消耗和生物学解释能力之间做出权衡。因此，科研人员需紧密结合具体科学问题、实验设计、样本规模、细胞注释质量及计算条件，合理选择DAA策略。该综述不仅为复杂单细胞数据分析中的方法选择、结果解读与研究设计提供了重要参考，更推动单细胞组学研究从“细胞类型识别与基因表达分析”向“细胞组成重塑、群体动态变化及疾病机制解析”的更深层次迈进。

值得关注的是，DAA已在肿瘤免疫微环境、发育生物学、神经退行性疾病及衰老研究等领域展现出重要价值，正成为连接单细胞数据挖掘与生命机制解析的关键桥梁。展望未来，随着空间转录组学、多组学整合与大规模临床队列数据的发展，DAA将向空间化、精细化、可解释及智能化方向演进。机器学习、生成式人工智能和大语言模型等新兴技术的融入，有望为复杂细胞群体变化的建模与解释提供新路径，推动单细胞研究从“发现细胞组成差异”迈向“理解疾病机制与生命规律”的全新阶段。

重庆师范大学太阳成集团tyc7111计算与整合生物学团队长期致力于生物信息学方法学、单细胞与空间转录组学、组学多模态数据融合及其生物医学应用研究。近年来，团队围绕组学大数据分析中的关键科学问题与方法学瓶颈持续攻关，在算法评估、工具开发、数据资源建设及生物学应用等方面取得了一系列进展。此项成果的发表，进一步彰显了我院在单细胞组学与生物信息学交叉研究领域的深厚积累和日益提升的学术影响力。

供稿：李  勃

一审一校：朱  波

二审二校：乐  涛

三审三校：付长波